为分区数据定义 Impala 表模式答案

【问题标题】：Defining an Impala table schema for partitioned data为分区数据定义 Impala 表模式
【发布时间】：2016-05-13 09:19:53
【问题描述】：

以 parquet 格式存储数据帧，并根据文件系统结构中一个或多个列的值在不同文件上进行物理分区，如下所示：

|-region=Europe
|   |-processed=1
|   |   |-part-r-00000-0515bd21-1cf1-40f1-885e-055a29284961.gz.parquet
|   |-processed=2
|   |   |-part-r-00000-0515bd21-1cf1-40f1-885e-055a29284961.gz.parquet
|   |-processed=3
|   |   |-part-r-00000-0515bd21-1cf1-40f1-885e-055a29284961.gz.parquet
|   |-processed=4
|       |-part-r-00000-0515bd21-1cf1-40f1-885e-055a29284961.gz.parquet
|-region=Asia
|   |-processed=2
|   |   |-part-r-00000-0515bd21-1cf1-40f1-885e-055a29284961.gz.parquet
|   |-processed=4
|       |-part-r-00000-0515bd21-1cf1-40f1-885e-055a29284961.gz.parquet
|-region=America
|   |-processed=3
|       |-part-r-00000-0515bd21-1cf1-40f1-885e-055a29284961.gz.parquet
|-_SUCCESS

为了让架构知道分区，我手动添加了每个分区：

ALTER TABLE status_log ADD PARTITION (region='Europe', processed="1") LOCATION '/hdfs/status_logs/region=Europe/processed=1';
ALTER TABLE status_log ADD PARTITION (region='Europe', processed="2") LOCATION '/hdfs/status_logs/region=Europe/processed=2';
ALTER TABLE status_log ADD PARTITION (region='Europe', processed="4") LOCATION '/hdfs/status_logs/region=Europe/processed=2';
...
..
.

有没有办法定义表模式，以便 Impala 读取树目录结构并自动推断分区模式？还是总是需要自动将每个分区添加到表中？

【问题讨论】：

标签： sql database-schema pyspark impala

【解决方案1】：

您可以使用 hive，因为 impala 共享相同的元存储，这应该不是问题。我假设在 talbe status_logs 的定义中，LOCATION 设置为 '/hdfs/status_logs'。

在配置单元发出命令

msck repair table status_logs

这将自动将所有分区添加到元存储。然后回到 impala ，你需要做的就是

invalidate metadata status_logs

你可以看到所有的分区。验证你可以做到（这你可能已经知道了）。

show partitions status_logs

【讨论】：