hive 查询经过压缩后有 100GB 的.gz 格式的文件数据，使用 select * from 能够查询出来，为何不能做计算？

问答 ⋅ 歌唱祖国 ⋅ 于 2018-10-07 13:22:38 ⋅ 最后回复由 gene 于 2019-05-27 17:57:38 ⋅ 6359 阅读

老师您好，我在生产上遇到一个这样一个情况，我们有46亿的数据，有1TB的大小，占用hdfs就是3个多TB了，我们采用gz格式将数据进行压缩，建立hive表，将数据load into到hive表了。表数据能够使用select * from table能查询出数据，但是在对表进行计算时(select count(1))出现1个小时了但是map=0%,这个表完全没用办法进行计算。集群性能为(4core/28GB)x9datanode.

请问老师，hive对压缩的数据进行计算不是在逻辑上将数据进行解压吗？我该如何设置才能计算这个表？

尝试过建立一张分区表将，想这个gz格式的hive数据查询出来再插入到建好的分区表中，但是也遇到相同的情况map任务跑了17小时还是0%？请问我该如何将数据插入到hive分区表？

insert into dist_tablename PARTITION(yearmonth) 
select *,substr(inventory_date,0,7) yearmonth
from src_tablename

回复数量: 6

青牛海汼部落创始人，80后程序员一枚，曾就职于金山，喜欢倒腾技术做产品
⋅ 2018-10-08 09:30:45
一般map不动都是数据不均衡导致的，分区表的本质就是不同的文件目录，所以我觉得你直接把原始数据搞到分区表就行了，不用压缩，
CREATE TABLE AAA (
```
nameSTRING，

id STRING
```
)

PARTITIONED BY (month)

ROW FORMAT DELIMITED FIELDS TERMINATED BY'\t';

Insert overwritetable AAA(month=’2016-06’)

Select ...
歌唱祖国不要跟过去的自己比，要期待未来的自己，珍爱现在的自己。
⋅ 2018-10-08 09:45:13

@青牛原始数据太大，有1TB，3个副本就有3个TB了，我们整个集群的磁盘才14TB，目前有两个这样大的表，如果不压缩磁盘资源很快就会用完，我的想法是1.压缩数据(.gz)再load进hive表，2.再将这个数据load到分区表并保存成parquet格式，3.最后删除源数据，这样就能减少资源的占用了。

目前的问题是：2的步骤走不通,有什么可能导致map不动呢？我在集群上看到每台datanode的磁盘占用都比较均匀，应该数据也是比较均匀的。
青牛海汼部落创始人，80后程序员一枚，曾就职于金山，喜欢倒腾技术做产品
⋅ 2018-10-08 17:40:04

@歌唱祖国进度不走不代表map没运行，去看一下map的Log，看看有没有日志再打印就知道是不是正在运行
歌唱祖国不要跟过去的自己比，要期待未来的自己，珍爱现在的自己。
⋅ 2018-10-11 14:39:00

@青牛

走不动是这样的报错。请问我该如何去找原因？
青牛海汼部落创始人，80后程序员一枚，曾就职于金山，喜欢倒腾技术做产品
⋅ 2018-10-12 17:47:10

@歌唱祖国去具体计算节点上看一下yarn的日志

gene
⋅ 2019-05-27 17:57:38

请问这个问题最后怎么解决，我也遇到这样的问题

请注意单词拼写，以及中英文排版，参考此页
支持 Markdown 格式, **粗体**、~~删除线~~、`单行代码`, 更多语法请见这里 Markdown 语法
支持表情，可用Emoji的自动补全, 在输入的时候只需要 ":" 就可以自动提示了 :metal: :point_right: 表情列表 :star: :sparkles:
上传图片, 支持拖拽和剪切板黏贴上传, 格式限制 - jpg, png, gif，教程
发布框支持本地存储功能，会在内容变更时保存，「提交」按钮点击时清空

Ctrl+Enter

hive 查询经过压缩后有 100GB 的.gz 格式的文件数据，使用 select * from 能够查询出来，为何不能做计算？

作者：歌唱祖国

歌唱祖国的其他话题

分类下其他主题

随机推荐话题

hive 查询经过压缩后有 100GB 的.gz 格式的文件数据，使用 select * from 能够查询出来，为何不能做计算？

添加附言

作者：歌唱祖国

歌唱祖国 的其他话题

分类下其他主题

随机推荐话题

歌唱祖国的其他话题