需求描述:项目上 Hive 库 import_db 是个公共库,多个项目组在使用,时间久了,库里有2万多张表,占了1000多T空间,有的表好久就不使用了,想着清理一下
个人总结的维护方法
1、跟项目组确认哪些表可以删除
按数据文件修改时间导出目录明细
hdfs dfs -ls -h -t /user/hive/warehouse/import_db.db |awk '{print $6,$7,$8}' |sed 's#/user/hive/warehouse/import_db.db/##' import_db_modify_time_desc_$(date '+%Y%m%d_%H%M%S').txt
把导出的 import_db_modify_time_desc_$(date '+%Y%m%d_%H%M%S').txt 发给项目组确认,哪些表可以删除
2、删除没有表结构的数据文件
把 /user/hive/warehouse/import_db.db/ 下的表数据文件目录明细,按升序导出到txt文件,只保留目录列
hdfs dfs -ls -h /user/hive/warehouse/import_db.db |awk '{print $8}' |sed 's#/user/hive/warehouse/import_db.db/##' import_db_tables_list_asc_$(date '+%Y%m%d_%H%M%S').txt
导出库里所有表
beeline --outputformat=csv2 -e 'show tables in import_db' >import_db_list.out
把导出的2个文件的数据,复制到Excel,使用=VLOOKUP() 对比两列,找出只有数据文件没有表的目录,对此目录进行删除。(这种一般是Hive外表,表删了数据文件还在hdfs上)
hdfs dfs -rm -f -r -skipTrash /user/hive/warehouse/import_db.db/xxxxx