Hive性能优化之ORC索引–Row Group Index vs Bloom Filter Index

Row Group Index

一个ORC文件包含一个或多个stripes(groups of row data)，每个stripe中包含了每个column的min/max值的索引数据，当查询中有<,>,=的操作时，会根据min/max值，跳过扫描不包含的stripes。

而其中为每个stripe建立的包含min/max值的索引，就称为Row Group Index，也叫min-max Index，或者Storage Index。在建立ORC格式表时，指定表参数’orc.create.index’=’true’之后，便会建立Row Group Index，需要注意的是，为了使Row Group Index有效利用，向表中加载数据时，必须对需要使用索引的字段进行排序，否则，min/max会失去意义。另外，这种索引通常用于数值型字段的查询过滤优化上。

SET hive.optimize.index.filter=true;

SELECT COUNT(1)FROM lxw1234_orc1 WHERE id>=0AND id<=1000

AND pcid IN('0005E26F0DCCDB56F9041C','A');

Bloom Filter Index

在建表时候，通过表参数”orc.bloom.filter.columns”=”pcid”来指定为那些字段建立BloomFilter索引，这样，在生成数据的时候，会在每个stripe中，为该字段建立BloomFilter的数据结构，当查询条件中包含对该字段的=号过滤时候，先从BloomFilter中获取以下是否包含该值，如果不包含，则跳过该stripe.

看下面的建表语句，为pcid字段建立BloomFilter索引：

CREATE TABLE lxw1234_orc2 stored AS ORC

TBLPROPERTIES

('orc.compress'='SNAPPY',

'orc.create.index'='true',

"orc.bloom.filter.columns"="pcid",

'orc.bloom.filter.fpp'='0.05',

'orc.stripe.size'='10485760',

'orc.row.index.stride'='10000')

AS

SELECT CAST(siteid AS INT)AS id,

pcid

FROM lxw1234_text

DISTRIBUTE BY id sort BY id;