hive索引

hive索引介绍

Hive的索引目的是提高Hive表指定列的查询速度。
没有索引时，类似’WHERE tab1.col1 = 10’ 的查询，Hive会加载整张表或分区，然后处理所有的rows，
但是如果在字段col1上面存在索引时，那么只会加载和处理文件的一部分。
与其他传统数据库一样，增加索引在提升查询速度时，会消耗额外资源去创建索引和需要更多的磁盘空间存储索引。
Hive 0.7.0版本中，加入了索引。Hive 0.8.0版本中增加了bitmap索引。
Hive只有有限的索引功能。没有关系型数据库中键的概念。

hive索引机制和原理

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。

例如:

select * from t_student where name = 'zzq';

首先用一个job，从索引表中过滤出key = ‘zzq’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：

table t_student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：

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

hive索引优点

索引可以避免全表扫描和资源浪费
索引可以加快含有group by语句的查询的计算速度

创建索引表

对已有的表t_student根据name新建索引命名为student_index保存在表student_index_table中。

create index student_index on table t_student(name)
as  'org.apache.hadoop.hive.ql.index.compact.CompactIndexHandler'
with deferred rebuild
in table t_student ;

注意，创建完索引表后里面是空的，需要重建索引才会有索引的数据。

重建索引(生成索引数据)

alter index student_index on t_student rebuild;

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;

手动使用索引

SET hive.input.format=org.apache.hadoop.hive.ql.io.HiveInputFormat;

Insert overwrite directory "/tmp/student_index_data"
select `_bucketname`, `_offsets` 
from  student_index_table 
where key = 'zzq';

指定索引数据文件

SET hive.index.compact.file=/tmp/student_index_data;
SET hive.optimize.index.filter=false;
SET hive.input.format=org.apache.hadoop.hive.ql.index.compact.HiveCompactIndexInputFormat;

select * from t_student
where key = 'zzq';

删除索引

DROP INDEX student_index on t_student;

查看索引

SHOW INDEX on t_student;

缺点

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；

总结

我们可以发现Hive的索引功能现在还相对较晚，提供的选项还较少。但是，索引被设计为可使用内置的可插拔的java代码来定制，用户可以扩展这个功能来满足自己的需求。 当然不是说所有的查询都会受惠于Hive索引。用户可以使用EXPLAIN语法来分析HiveQL语句是否可以使用索引来提升用户查询的性能。像RDBMS中的索引一样，需要评估索引创建的是否合理，毕竟，索引需要更多的磁盘空间，并且创建维护索引也会有一定的代价。 用户必须要权衡从索引得到的好处和代价。