hadoop - 从分区文件结构创建 Impala 外部表

Question

提供了一个分区的 fs 结构，如下所示：

logs
└── log_type
    └── 2013
        ├── 07
        │   ├── 28
        │   │   ├── host1
        │   │   │   └── log_file_1.csv
        │   │   └── host2
        │   │       ├── log_file_1.csv
        │   │       └── log_file_2.csv
        │   └── 29
        │       ├── host1
        │       │   └── log_file_1.csv
        │       └── host2
        │           └── log_file_1.csv
        └── 08

我一直在尝试在 Impala 中创建一个外部表：

create external table log_type (
    field1    string,
    field2    string,
    ...
)
row format delimited fields terminated by '|' location '/logs/log_type/2013/08';

我希望 Impala 递归到子目录并加载所有 csv 文件；但没有雪茄。不会引发错误，但不会将数据加载到表中。

不同的球体喜欢/logs/log_type/2013/08/*/* 或/logs/log_type/2013/08/*/*/*不工作。

有没有办法做到这一点？或者我应该重组 fs - 对此有何建议？

Answer 1

如果您仍在寻找答案。您需要手动注册每个单独的分区。

有关详细信息，请参见此处注册外部表

您的表架构需要调整

create external table log_type (
        field1    string,
        field2    string,
...)
  partitioned by (year int, month int, day int, host string)
  row format delimited fields terminated by '|';

更改架构后，包括年、月、日和主机，您必须递归地将每个分区添加到表中。

像这样的东西

ALTER TABLE log_type ADD PARTITION (year=2013, month=07, day=28, host="host1")
    LOCATION '/logs/log_type/2013/07/28/host1';

之后您需要在 impala 中刷新表格。

invalidate log_type;
refresh log_type;

Answer 2

使用较新版本的 impala，您可以使用

ALTER TABLE name RECOVER PARTITIONS

命令。更多信息

您需要注意的是，分区字段必须小写，因为目录结构区分大小写，但 impala 查询不区分大小写。

Answer 3

另一种方法可能是使用LOAD DATAImpala 中的函数。如果您的数据是 SequenceFile 或其他不太适合 Impala 的格式（Impala 文件格式），您可以像 Joey 上面那样创建外部表，但ALTER TABLE您可以执行类似的操作

LOAD DATA INPATH '/logs/log_type/2013/07/28/host1/log_file_1.csv' INTO TABLE log_type PARTITION (year=2013, month=07, day=28, host=host1);