4.索引

概述

Hive 在 0.7.0 引入了索引的功能，索引的设计目标是提高表某些列的查询速度。如果没有索引，带有谓词的查询（如'WHERE table1.column = 10'）会加载整个表或分区并处理所有行。但是如果 column 存在索引，则只需要加载和处理文件的一部分。
Hive只有有限的索引功能。Hive中没有普通关系数据库中的键的概念，但是还可以对一些字段建立索引来加速某些操作。

原理

在指定列上建立索引，会产生一张索引表（表结构如下），里面的字段包括：索引列的值、该值对应的 HDFS 文件路径、该值在文件中的偏移量。在查询涉及到索引字段时，首先到索引表查找索引列值对应的 HDFS 文件路径及偏移量，这样就避免了全表扫描。

+--------------+----------------+----------+--+
|   col_name   |   data_type    | comment     |
+--------------+----------------+----------+--+
| empno        | int            |  建立索引的列  |   
| _bucketname  | string         |  HDFS 文件路径  |
| _offsets     | array<bigint>  |  偏移量       |
+--------------+----------------+----------+--+

索引操作

创建索引

CREATE INDEX index_name     --索引名称
  ON TABLE base_table_name (col_name, ...)  --建立索引的列
  AS index_type    --索引类型
  [WITH DEFERRED REBUILD]    --重建索引
  [IDXPROPERTIES (property_name=property_value, ...)]  --索引额外属性
  [IN TABLE index_table_name]    --索引表的名字
  [
     [ ROW FORMAT ...] STORED AS ...  
     | STORED BY ...
  ]   --索引表行分隔符 、 存储格式
  [LOCATION hdfs_path]  --索引表存储位置
  [TBLPROPERTIES (...)]   --索引表表属性
  [COMMENT "index comment"];  --索引注释

as指定索引处理器，实现索引接口的Java类。
IN table可以使用索引处理器在一张新表中保留索引数据。

Bitmap索引

create index test_index_in on table test_index(name) 
as 'bitmap' 
with deferred rebuild in table user_index_table;

重建索引

如果用户指定来deferred rebuild，那么新索引将呈现空白状态。
重建索引。如果指定了 PARTITION，则仅重建该分区的索引。

ALTER INDEX index_name ON table_name [PARTITION partition_spec] REBUILD;

查看索引

show index on table_name; 
# 显示列名 
show formatted index on table_name;

删除索引

如果有索引表，删除一个索引将会删除这个索引表。
如果存在索引的表被删除了，其对应的索引和索引表都会被删除。如果被索引表的某个分区被删除了，那么分区对应的分区索引也会被删除。

drop index if not exists index_name on table table_name;

hive不允许用户直接drop table语句之前删除索引表

实现一个定制化的索引处理器

https://cwiki.apache.org/confluence/display/Hive/IndexDev#CREATE_INDEX

索引使用案例

创建索引

在test_index表创建h_index,索引表存在在h_index_table索引表中

create index h_index on table test_index(id) as 'org.apache.hadoop.hive.ql.index.compact.CompactIndexHandler' with deferred rebuild in table h_index_table;

重建索引

alter index h_index on test_index rebuild;

自动使用索引

默认情况下，虽然建立了索引，但是 Hive 在查询时候是不会自动去使用索引的，需要开启相关配置。开启配置后，涉及到索引列的查询就会使用索引功能去优化查询。

SET hive.input.format=org.apache.hadoop.hive.ql.io.HiveInputFormat;
SET hive.optimize.index.filter=true;
SET hive.optimize.index.filter.compact.minsize=0;

索引的缺陷

索引表最主要的一个缺陷在于：索引表无法自动 rebuild，这也就意味着如果表中有数据新增或删除，则必须手动 rebuild，重新执行 MapReduce 作业，生成索引表数据。
同时按照官方文档的说明，Hive 会从 3.0 开始移除索引功能，主要基于以下两个原因：
- 具有自动重写的物化视图 (Materialized View) 可以产生与索引相似的效果（Hive 2.3.0 增加了对物化视图的支持，在 3.0 之后正式引入）。
- 使用列式存储文件格式（Parquet，ORC）进行存储时，这些格式支持选择性扫描，可以跳过不需要的文件或块。

上一页3.HiveQL相关下一页5.模式设计

最后更新于2年前