HIVE - 插入覆盖与删除表 + 创建表 + 插入答案

【问题标题】：HIVE - INSERT OVERWRITE vs DROP TABLE + CREATE TABLE + INSERT INTOHIVE - 插入覆盖与删除表 + 创建表 + 插入
【发布时间】：2017-01-29 19:49:50
【问题描述】：

我在 hive 中执行一些自动查询的脚本，我们发现我们需要不时地从表中清除数据并插入新的数据。我们正在思考什么可以更快？

INSERT OVERWRITE TABLE SOME_TABLE
    SELECT * FROM OTHER_TABLE;

或者这样做更快：

DROP TABLE SOME_TABLE;
CREATE TABLE SOME_TABLE (STUFFS);
INSERT INTO TABLE
    SELECT * FROM OTHER_TABLE;

运行查询的开销不是问题。由于我们也有创建脚本。问题是，十亿行的INSERT OVERWRITE 比DROP + CREATE + INSERT INTO 快吗？

【问题讨论】：

Insert OVERWRITE 确保从 HDFS 中删除了以前的数据，并且只有新数据在表/分区中可用。 DROP + CREATE + INSERT INTO 可能不保证相同。
@Ambrish 为什么/你能提供来源吗？我会假设 drop table 会完全删除表和所有旧数据。

标签： hive hiveql create-table hiveddl

【解决方案1】：

为了获得最大速度，我建议 1) 首先发出 hadoop fs -rm -r -skipTrash table_dir/* 以快速删除旧数据而不将文件放入垃圾箱，因为 INSERT OVERWRITE 会将所有文件放入垃圾箱，对于非常大的表，这将花费大量时间。然后 2) 执行INSERT OVERWRITE 命令。这也会更快，因为您不需要删除/创建表。

更新：

从 Hive 2.3.0 (HIVE-15880) 开始，如果表具有 TBLPROPERTIES ("auto.purge"="true")，则在对表运行 INSERT OVERWRITE 查询时，不会将表的先前数据移动到垃圾箱。此功能仅适用于托管表。因此，使用自动清除的 INSERT OVERWRITE 将比 rm -skipTrash + INSERT OVERWRITE 或 DROP+CREATE+INSERT 工作得更快，因为它将是单个 Hive-only 命令。

【讨论】：

这也适用于分区吗？如果 auto.purge 设置为 true，当插入覆盖到分区时，该分区的旧数据也不会被移动到垃圾箱？
@uptoNoGood 是的，它应该删除被覆盖的分区中的旧数据而不移动到 thrash

【解决方案2】：

一个优势考虑是，如果您的架构发生更改，INSERT OVERWRITE 将失败，而 DROP+CREATE+INSERT 不会。虽然这不太可能适用于大多数场景，但如果您正在对工作流/表架构进行原型设计，那么它可能值得考虑。

【讨论】：