更改 HIVE 表字段数据类型有哪些注意事项?
1. 使用 HIVE 表的常见规范
在大数据离线分析场景中,在数据建模/表格式这一层,目前使用最多的还是 APACHE HIVE 这一数据仓库框架(湖仓一体的框架,如 Iceberg/DeltaLake/Hudi也在加速落地)。
在HIVE表的实际使用过程中,大家普遍遵循了下述相关规范:
- 分层建模:根据业务处理逻辑,进行分层建模,其中各层的表对应不同的库,或在同一个库中通过表名前缀进行区分(各层对应的库名一般使用 ods,dwd,dws,ads等,辅助以dim和tmp层);
- 命名规范:数据库名、表名、字段名应遵循规范,比如全部小写,只使用英文名和下划线_,禁止使用数据库关键字和保留字等;各层次表的名字和表中字段的名字,应上下呼应保持一致;
- 列示存储:为确保数据质量,推荐使用列示存储比如 ORC/PARQUET 而不是行式存储如 txtfile/csv/tsv等,同时各层的表格式应该统一(txtfile格式在创建表时声明的列分隔符和行分隔符,可能会跟记录中某些字段本身存储的内容冲突,在读取时会造成部分字段不准确甚至部分记录丢失的数据问题);
- 是否分区:根据业务特征,数据量和常规查询方式, 决定HIVE 表是否分区并选用合适的分区字段(比如按天分区pt_date);
- 是否分桶:根据业务特征,数据量和常规查询方式, 决定HIVE 表是否分桶,通过分桶个数管控表或表分区底层的文件个数;
- 内表外表:如无特殊原因,推荐全部使用内表,以充分利用 HIVE 本身对数据的管理(如 DROP/Truncate等);
- ACID 事务表:如果业务上有记录级别的增删改的需求,可以考虑使用 ACID 事务表;
- DDL中的location: 推荐在创建database时指定database级别的默认location,如无特殊原因,禁止在创建table时指定location;
- 字段类型:根据业务特征,合理设计字段数据类型,为确保数据计算的准确性,对于带小数的数值型,一般建议使用Decimal(),禁止使用 FLOAT/DOUBLE,同时精度范围和上游表保持一致;
- 表结构变更:禁止删除字段或重命名字段,禁止对字段数据类型做类型不兼容的更改,出于业务需要,可以在表的末尾增加字段;
2. 更改HIVE 表字段数据类型的注意事项
在遵循上述HIVE表使用规范的基础上,我们一般不会更改HIVE表字段的数据类型。
但有时候HIVE表的最初设计可能没有充分考虑到业务的潜在变化,此时在日后使用过程中,有时不得不更改HIVE表某些字段的数据类型,此时需要注意,不同大数据平台的不同版本