hive 索引

一、Hive的索引

索引是标准的数据库技术，hive 0.7版本号之后支持索引。
Hive提供有限的索引功能。这不像传统的关系型数据库那样有“键(key)”的概念，用户能够在某些列上创建索引来加速某些操作。给一个表创建的索引数据被保存在另外的表中。
Hive的索引功能如今还相对较晚，提供的选项还较少。
可是，索引被设计为可使用内置的可插拔的java代码来定制，用户能够扩展这个功能来满足自己的需求。
当然不是说有的查询都会受惠于Hive索引。用户能够使用EXPLAIN语法来分析HiveQL语句能否够使用索引来提升用户查询的性能。
像RDBMS中的索引一样，须要评估索引创建的是否合理，毕竟。索引须要很多其它的磁盘空间，而且创建维护索引也会有一定的代价。用户必需要权衡从索引得到的优点和代价。

索引的建立

先创建hive表

hive> create table user( id int, namestring)

   > ROW FORMAT DELIMITED

   > FIELDS TERMINATED BY ' '

> STORED AS TEXTFILE;

导入数据

hive> load data local inpath '/usr/local/trl/row.txt'

   > overwrite into table user;

Select*from use---------------------------à耗时10秒

对user建立索引

hive> create index user_index on tableuser(id)

   > as 'org.apache.hadoop.hive.ql.index.compact.CompactIndexHandler'

   > with deferred rebuild

   > IN TABLE user_index_table;

hive> alter index user_index on userrebuild;

hive> select * from user_index_table;

耗时9s这和没有创建索引的效果几乎相同

1. order by会对查询结果集做一次全局的排序。也就是说全部的数据都传给一个reduce来处理对于大数据集来说，这个过程可能非常慢

2. sort by仅仅会在每个reduce中进行排序。这样仅仅保证每个reduce的输出数据是有序的（并不是全局排序）。这样能够提高后面全局排序的效率。

3.union all 用于多表合并的场景。要求各表select出的字段类型必须全然匹配

用于多表不同字段的结果表进行合并操作

hive不支持顶层union。仅仅能union封装在子查询中，并且必须有别名

4.hive索引

索引key冗余存储。提供基于key的数据视图

存储设计优化查询和检索性能

对某些查询降低IO