Hive存储优化之Cluster By + Parquet

场景：

        在业务场景中，会经常有join或者group by操作，这样会使数据打散，使Parquet无法达到最大的压缩比，使用Cluster By使相同的key聚合排序，达到Parquet最大的压缩比

基础知识：要熟悉以下概念，简单介绍一下

Distribute By：reduce阶段key值聚合分发

Sort By：分组排序

Cluster By = Distribute By + Sort By

Parquet：列存储模式 + 列压缩

优化示例：

CREATE TABLE IF NOT EXISTS tmp.test(
    id            string COMMENT ,
    feature       string COMMENT ,
    value         string COMMENT 
)
PARTITIONED BY (
    data_date     bigint COMMENT '时间分区'
);

INSERT OVERWRITE TABLE tmp.test partition(data_date=001)
SELECT id, alias_name, value
FROM (
    SELECT alias_name, feature
    FROM tmp.mapping
    WHERE data_date = 20200618
) a
JOIN (
    SELECT id, feature, value
    FROM tmp.source
    WHERE data_date = 20200706
) b
ON a.feature = b.feature;



INSERT OVERWRITE TABLE tmp.test partition(da