蜂巢。动态分区并插入特定列答案

【问题标题】：HIVE. Dynamic partitioning and Insert into specific column蜂巢。动态分区并插入特定列
【发布时间】：2016-11-21 10:44:50
【问题描述】：

有一个包含大约 100 列的 HIVE 表，按列 ClientNumber 和 Date 进行分区。我正在尝试将另一个 HIVE 表中的数据插入到仅 30 列中，并动态创建 Date 分区。

问题是所有数据都加载到“ClientNumber=123/date=__HIVE_DEFAULT_PARTITION__”分区中，这并不完全是预期的。

脚本如下所示：

set hive.exec.dynamic.partition=true;
set hive.exec.dynamic.partition.mode=nonstrict;

FROM DBName.Table2
INSERT INTO TABLE DBName.Table1
PARTITION(ClientNumber=123, `Date`)   
(col1, col2, ..., col29, `Date`) 
SELECT 
col1, col2, ..., col29, eventDate as `Date`

Date 查询检索到的值都是正确的，没有 NULL 或其他异常值。删除或添加动态分区参数没有区别。提供特定的Date 值（而不是动态查询填充的值）会导致创建正确的分区。

在分区表中填充特定数量的列时，我是否遗漏了什么技巧或一些问题？

附：是否值得考虑将导入脚本中的所有其他列 (col31 - col100) 列为 NULL？

【问题讨论】：

更新： 1. Date 列在创建表时被声明为分区字段。列的保留关键字或别名不是问题 - 在其他情况下也适用。 2. 使用'cast(NULL as string) as colN'定义列出所有剩余的列可以被认为是这种情况的解决方法。但是，脚本变得更大，我仍然想了解 INSERT 特定字段的问题。

标签： hadoop hive hadoop-partitioning

【解决方案1】：

如果我的问题正确，则插入或选择中不应包含“日期”字段。如果您使用别名，它可能会破坏分区规则的要求。因为它期望定义模式的相同字段。脚本应该是...

FROM DBName.Table2
INSERT INTO TABLE DBName.Table1
PARTITION(ClientNumber=123, Date)   
SELECT col1, col2, ..., col29, eventDate as Date

【讨论】：

感谢您的建议。但是，Date 列用于决定应该使用哪个动态分区，并且还根据一些 unix 时间戳（我简单地将其标记为 eventDate）计算得出。所以Date 别名是必要的——并且在我为剩余字段提供 NULL 值的其他场景中工作。
@vasilik，更新的查询你可以试试这个
运行建议的查询返回：“SemanticException [错误 10044]：无法插入目标表，因为列号/类型不同‘日期’：表 insclause-0 有 100 列，但查询有 30 列。”我必须提供我要插入的特定字段的列表，否则它不会起作用。插入完整的字段列表可以正常工作，但这并不能解决问题。

【解决方案2】：

是的，有一种更好的方法来提供许多列名。您可以使用 Hive 的“Regex Column Specification”：列名的正则表达式。您的查询将是：

    SET hive.support.quoted.identifiers=none;
    FROM DBName.Table2
    INSERT INTO TABLE DBName.Table1
    PARTITION(ClientNumber=123, Date)   
    SELECT `(eventDate)?+.+`, eventDate as Date;

这意味着“从 Table2 中选择除 eventDate 之外的所有名称”。

https://cwiki.apache.org/confluence/display/Hive/LanguageManual+Select#LanguageManualSelect-REGEXColumnSpecification

这对于某些用例来说仍然很笨拙，而我工作过的其他地方编写了脚本来从表模式自动生成 Hive 查询。

【讨论】：

【解决方案3】：

如果它对某人有用，值得阅读Corrupt rows written to __HIVE_DEFAULT_PARTITION__ when attempting to overwrite Hive partition中的答案

在我意识到分区列应该位于 DF 末尾是有限制的之前，我已经花了一些愚蠢的时间来解决同样的问题。就我而言，我只是更改了我的 DF 的 SQL 查询，将分区列选为最后一个。

【讨论】：