4 步搞定 Hive 增量更新

Hive 的更新很有趣。

Hive 的表有两种，一种是 managed table, 一种是 external table.

managed table 是 Hive 自动帮我们维护的表，自动分割底层存储文件，自动分区，这些自动化的操作，都是 Hive 封装了与 Hadoop 交互的接口。

external table 只是一种在 Hive 维护的与外部文件的映射。

managed table 与 external table 最大的区别在于删除的时候，external table 默认情况下只是删除表定义，而数据依旧在hadoop 上存储着；managed table 则是表定义连着表数据一起被删除了。

早期的时候， Hive 支持的表操作只有两种：OverWrite 和 Appand

Overwrite 并不是对某一行的数据做更新，而是对整张表做覆盖，所以感觉上 Hive 更像是在做 ETL 里面的 Staging, 而不像是最终存储计算结果的地方。Hive 超强的计算能力可以做为大数据量转换的工具，最终结果将被送到关系型数据库或者其他 Hive 实例上存储。

hortonworks 有一篇提出相关解决方案的文章，介绍了 4步走解决增量更新 Hive 表：

url如下：

https://hortonworks.com/blog/four-step-strategy-incremental-updates-hive

1. Ingest

2. Reconcile

3. Compact

4. Purge

过程中，用到了四个 Hive 表，分别是：

base_table: 初始化装载源库来的表数据，表示最新数据

incremental_table:用来装载上一次增量更新以来，发生过更改的数据，包括新增，更新，和删除

reconcile_view:以 base_table, incremental_table 计算出来的最新数据，涉及到的操作，有删除，更新，和新增。每一次都要重复计算是不是有些多余，浪费很多对没有变更的数据的重复计算。如果有对数据有分区，只要对有数据更新的分区做增量更新，会有很大效率的提高。

reporting_table:将reconcile_view的数据，装载到 reporting_table中，用它来替换掉 base_table中的数据。

一） 取决于源数据库的服务是否支持直连抽取数据，可以有两种方法完成第一步 ingest， 即 Extract.

1. File Processing: 由源数据库自发的输出，以文件方式在合理的时间窗口导出

2. RDBMS Processing (Database Client based ETL): 由 Sqoop 来完成抽取; ETL 工具， kettle, Informatica等；

File Processing :

1. 由数据库软件自带的导入导出，将文件导出一定分隔符分割的文本文件

2. 将这些文本文件放到 Hive 映射的文件夹下面

RDBMS Processing (Database Client based ETL):

1. SQOOP: 既可以实现初始化导入，也可以完成增量导入，增量导入的实现，依赖于Sqoop 本身的 check-sum 机制。check-sum 是对 Hive 表中的一行用来做校验数据做了 hash 计算，根据匹配是否来做增量更新。

以下是文章的原文，展示了 Sqoop 的具体用法：

SQOOP is the JDBC-based utility for integrating with traditional
databases.

A SQOOP Import allows for the movement of data into either HDFS (a
delimited format can be defined as part of the Import definition) or
directly into a Hive table.

The entire source table can be moved into HDFS or Hive using the
“–table” parameter.

sqoop import

--connect jdbc:teradata://{host name or ip address}/Database=retail

--connection-manager org.apache.sqoop.teradata.TeradataConnManager

--username dbc

--password dbc

--table SOURCE_TBL

--target-dir /user/hive/incremental_table -m 1

注**

–table source_TBL: 是指关系型数据库里的原表

–target-dir ：Hive 中表对应的存储目录

After the initial import, subsequent imports can leverage SQOOP’s native support for “Incremental Import” by using the “check-column”, “incremental” and “last-value” parameters.

sqoop import

--connect jdbc:teradata://{host name or ip address}/Database=retail

--connection-manager org.apache.sqoop.teradata.TeradataConnManager

--username dbc

--password dbc

--table SOURCE_TBL

--target-dir /user/hive/incremental_table -m 1

--check-column modified_date

--incremental lastmodified

--last-value {last_import_date|last_import_value}

注**

–check-column ： 是指定原表中用来做增量判断条件的那一字段

–incremental lastmodified: 指定增量的模式，append 或者 lastmodified.

在数据仓库中，无论是维度表还是事实表，我们总会设计一栏自增列，作为代理键或者主键。这个时候这些键值总是自增长的，因此适合采用 append 形式，指定check-sum 列为自增列，如果有比 {last_import_value}大的值，就会被 sqoop 导入进来；

在设计数据库的时候，为了审计，我们通常也会设计一列为 timestamp 列，每对一行做了修改，就会重置这列 timestamp 为当前时间戳。如果是针对这类行数据，我们要指定的便是 lastmodified, 配合 check-sum 设置为 timestamp 列，sqoop 就会导入比{last_import_date} 大的数据行。

–last-value { last_import_date } 这是需要从程序外面传进来的

考虑到这是增量更新，那么理应把 sqoop 做成一个 Job 来自动化运行，并且记录每一次的时间，作为下次运行时要传入的 {last_import_date} 或者{last_import_value}

Alternately, you can leverage the “query” parameter, and have SQL select statements limit the import to new or changed records only.

sqoop import

--connect jdbc:teradata://{host name or ip address}/Database=retail

--connection-manager org.apache.sqoop.teradata.TeradataConnManager

--username dbc

--password dbc

--target-dir /user/hive/incremental_table -m 1

--query 'select * from SOURCE_TBL where modified_date > {last_import_date} AND $CONDITIONS’

Note: For the initial load, substitute “base_table” for “incremental_table”. For all subsequent loads, use “incremental_table”.

注**

这是前面两种全量和增量的替代写法，用指定的查询，从原关系型数据库导出数据，不同的是，全量的时候，要指定导入的 Hive 目标表是 base_table, 而增量的时候，导入的是 incremental_table.

二） Reconciliation 将新旧数据综合起来

初始化时，装载最终的目标表没有多少难度。

在这段中，主要解决的问题是增量与初始化的融合。

初始化的数据，存储在 base_table 中， 而增量数据我们已经装载到了 incremental_table 中。

将两者的数据合二为一，就可以生成与源数据库一致的最新数据。

前提是源数据库的任何数据行不接受硬删除即delete 操作，而是在行上打了一个软删除的标签，表示该行已删除。

如果是做了硬删除，那么同时也要做好删除的审计，将删除的数据行放入审计表中，一同发送给 incremental_table .

base_table

CREATE TABLE base_table (

id string,

field1 string,

field2 string,

field3 string,

field4 string,

field5 string,

modified_date string

)

ROW FORMAT DELIMITED

FIELDS TERMINATED BY ','

LOCATION '/user/hive/base_table';

incremental_table

CREATE EXTERNAL TABLE incremental_table (

id string,

field1 string,

field2 string,

field3 string,

field4 string,

field5 string,

modified_date string

)

ROW FORMAT DELIMITED

FIELDS TERMINATED BY ','

LOCATION '/user/hive/incremental_table';

reconcile_view

CREATE VIEW reconcile_view AS

SELECT t2.id, t2.field1, t2.field2, t2.field3, t2.field4, t2.field5, t2.modified_date FROM

(SELECT *,ROW_NUMBER() OVER (PARTITION BY id ORDER BY modified_date DESC) rn

FROM (SELECT * FROM base_table

UNION ALL

SELECT * FROM incremental_table)

t1) t2

WHERE rn = 1;

从最后一个view定义来解说，incremental_table 必须拥有增量记录的全部，因此硬删除操作就不会反应在 incremental_table 里头。

但是 reconcile_view 所涉及的量毕竟有限，浪费明明不会更改的那部分数据的计算。

因此如果能做好分区，仅仅对某几个分区做全量更新会更高效。

三） Compact: 物化视图，即将reconciliation_view 装载到 reporting_table 里面去

reporting_table

DROP TABLE reporting_table;

CREATE TABLE reporting_table AS

SELECT * FROM reconcile_view;

首先是要将之前的 reporting_table 删除，再重建 reporting _table, 用 reconciliation_view 填充这张表。

在这张表的基础上，可以做很多聚合，过滤等操作，进行数据二次加工。

四） Purge: 将多余的表数据清空

base_table ：应该当换成 reporting_table 里面的数据

incremental_table: 清空

DROP TABLE base_table;

CREATE TABLE base_table AS

SELECT * FROM reporting_table;

hadoop fs –rm –r /user/hive/incremental_table/*

总结：

1. Oozie 可以将这4步统一做成一个工作流，方便调度

2. 可以用脚本自定义工作流，就像数据仓库的 ETL 一样