Hive索引

Hive是支持索引的，但基本没用过，只做了下试验。
为什么大家都不用，肯定有它的弊端。

Hive索引机制：

在指定列上建立索引，会产生一张索引表（Hive的一张物理表），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;

在执行索引字段查询时候，首先额外生成一个MR job，根据对索引列的过滤条件，从索引表中过滤出索引列的值对应的hdfs文件路径及偏移量，输出到hdfs上的一个文件中，然后根据这些文件中的hdfs路径和偏移量，筛选原始input文件，生成新的split,作为整个job的split,这样就达到不用全表扫描的目的。

 

Hive索引建立过程：

创建索引：

 

	
create index lxw1234_index on table lxw1234(key) 
as 'org.apache.hadoop.hive.ql.index.compact.CompactIndexHandler' 
with deferred rebuild;

之后在Hive中会创建一张索引表，也是物理表：

Hive index Hive索引

 

其中，索引表中key字段，就是原表中key字段的值，_bucketname 字段，代表数据文件对应的HDFS文件路径，_offsets 代表该key值在文件中的偏移量，有可能有多个偏移量，因此，该字段类型为数组。

其实，索引表就相当于一个在原表索引列上的一个汇总表。

生成索引数据

	
alter index lxw1234_index on lxw1234 rebuild;

用一个MR任务，以table lxw1234的数据作为input，将索引字段key中的每一个值及其对应的HDFS文件和偏移量输出到索引表中。

自动使用索引

	
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;

查询时候索引如何起效：

	
select * from lxw1234 where key = '13400000144_1387531071_460606566970889';

• 首先用一个job，从索引表中过滤出key = ‘13400000144_1387531071_460606566970889’的记录，将其对应的HDFS文件路径及偏移量输出到HDFS临时文件中
• 接下来的job中以临时文件为input，根据里面的HDFS文件路径及偏移量，生成新的split，作为查询job的map任务input
• 不使用索引时候，如下图所示：
  

  Hive index Hive索引

  • table lxw1234的每一个split都会用一个map task去扫描，但其实只有split2中有我们想要的结果数据，map task1和map task3造成了资源浪费。
• 使用索引后，如下图所示：
  

  Hive index Hive索引

  • 查询提交后，先用一个MR，扫描索引表，从索引表中找出key=’xx’的记录，获取到HDFS文件名和偏移量；
  • 接下来，直接定位到该文件中的偏移量，用一个map task即可完成查询，其最终目的就是为了减少查询时候的input size

手动使用索引

• 其实就是手动完成从索引表中过滤数据的部分，将过滤出来的数据load    到HDFS临时文件，供查询任务使用

	
 
SET hive.input.format=org.apache.hadoop.hive.ql.io.HiveInputFormat;
 
	Insert overwrite directory "/tmp/lxw1234_index_data" 
	select `_bucketname`, `_offsets` 
	from  default__lxw1234_lxw1234_index__ 
	where key = '13400000144_1387531071_460606566970889';
	
##指定索引数据文件
SET hive.index.compact.file=/tmp/ll1_index_data;
SET hive.optimize.index.filter=false;
SET hive.input.format=org.apache.hadoop.hive.ql.index.compact.HiveCompactIndexInputFormat;
 
select * from lxw1234 
where key = '13400000144_1387531071_460606566970889';
 

从以上过程可以看出，Hive索引的使用过程比较繁琐：

• 每次查询时候都要先用一个job扫描索引表，如果索引列的值非常稀疏，那么索引表本身也会非常大；
• 索引表不会自动rebuild，如果表有数据新增或删除，那么必须手动rebuild索引表数据；
  
  来源： http://lxw1234.com/archives/2015/05/207.htm