1

在 Tez 上使用 Hive 对此视图运行此查询会导致全表扫描，即使 regionid 和 id 上有一个分区。Cloudera Impala 中的此查询需要 0.6 秒才能完成，而使用 Hortonworks Data Platform 和 Tez 上的 Hive 则需要 800 秒。我得出的结论是，在 Tez 上的 Hive 中，使用窗口函数可以防止谓词被下推到内部选择，从而导致全表扫描。

CREATE VIEW latestposition AS
WITH t1 AS (
  SELECT *, ROW_NUMBER() OVER ( PARTITION BY regionid, id, deviceid order by ts desc) AS rownos FROM positions 
)
SELECT *
FROM t1
WHERE rownos = 1; 

SELECT * FROM latestposition WHERE  regionid='1d6a0be1-6366-4692-9597-ebd5cd0f01d1' and id=1422792010 and deviceid='6c5d1a30-2331-448b-a726-a380d6b3a432';

我尝试使用 MAX 函数将这个表连接到自身以获取最新记录，它可以工作，并在几秒钟内完成，但对于我的用例来说仍然太慢。此外，如果我删除窗口函数，谓词会被下推，这将在毫秒内返回。

如果有人有任何想法，将不胜感激。

4

2 回答 2

1

对于任何感兴趣的人，我在 Hortonworks 社区论坛上发布了这个问题。那边的好人在 Hive Jira 上针对这个问题提出了一个 bug，并且正在积极处理它。

https://community.hortonworks.com/questions/8880/hive-on-tez-pushdown-predicate-doesnt-work-in-part.html

https://issues.apache.org/jira/browse/HIVE-12808

于 2016-01-08T22:33:06.440 回答
0

这是预期的行为。为了避免全表扫描，您必须应用这样的 where 条件（您不能通过使用视图）。这是大多数数据库的限制。过滤数据后应该应用分析函数，因为它将在内部创建临时表。

WITH t1 AS (
  SELECT *, ROW_NUMBER() OVER ( PARTITION BY regionid, id, deviceid order by ts desc) AS rownos FROM positions **<where condition>**
)
SELECT *
FROM t1
WHERE rownos = 1;
于 2016-01-06T01:01:02.203 回答