Hive索引

Hive索引

Compact索引

CREATE INDEX idx_xxx ON TABLE xxx(tablename) AS 'org.apache.hadoop.hive.ql.index.compact.CompactIndexHandler' WITH DEFERRED REBUILD;

使用 show tables; 命令查看，发现现在多了一个叫 default__xxx_idx_xxx__ 的表，但是里面没有内容，因为CREATE INDEX 命令后面加了 WITH DEFERRED REBUILD 选项，所以索引不会自动创建，而是要执行：ALTER INDEX idx_xxx ON xxx REBUILD; 才会重建索引。

如果有分区的话，可以针对单独的分区重建索引： ALTER INDEX idx_xxx ON xxx PARTITION(month='2019-09') REBUILD;

HiveHive索引有很大的局限，其中之一就是占用空间。根据之前有位大佬（不是我）的测试：xxx表其中一个108G的分区，索引需要32G的左右空间（大佬说是在没有压缩的情况下，他还未验证索引是否可以压缩）。

REBUILD 索引后，会发现索引的分区结构和原表一致，对于Compact索引，其实就是索引字段名，文件，偏移值这三个字段组成的表。

可以用 select * from default__xxx_idx_xxx__; 查看。或用describe idx_xxx 会发现他有3个字段：

name  			string
_bucketname  	string
_offsets		array<bigint>

其中：

name ：是原xxx表种的字段
_bucketname ：是xxx表在HDFS中的文件名。
_offsets ：是该name在_bucketname 文件中的便宜地址，是一个数组。

例如：name=‘zhangsan’ 的字段在xxx表中出现了3次，那么 _offsets 就可能会有3个值（之所以为可能，因为存在3个文件中个出现一次的情况），分别是 3次 ‘zhangsan’ 在文件中的偏移量。

索引第二个缺点就是使用方法并不统一。例如我对name建立索引后，需要查询 select count(*) from xxx where name = 'zhangsan' 时，要写成：

select size(`_offsets`) from default__xxx_idx_xxx__ where name = 'zhangsan';

注意 _offsets 前后有反引号 `。

因为正常情况下，Hive字段名不允许以 _ 开头， _bucketname 和 _offsets 是隐藏字段&