hive - 如何将列添加到现有的配置单元分区表？

Question

alter table abc add columns (stats1 map<string,string>, stats2 map<string,string>)

我用上面的查询改变了我的表。但是在检查数据后，我得到了两个额外列的 NULL。我没有得到数据。

截屏

Answer 1

CASCADE 是解决方案。

询问：

ALTER TABLE dbname.table_name ADD columns (column1 string,column2 string) CASCADE; 

这会更改表元数据的列，并将相同的更改级联到所有分区元数据。 RESTRICT是默认值，将列更改仅限于表元数据。

Answer 2

正如其他人所指出的那样CASCADE，将更改所有分区的元数据。没有CASCADE，如果要更改旧分区以包含新列，则需要DROP先将旧分区填充，然后再填充它们，INSERT OVERWRITE没有DROP将不起作用，因为元数据不会更新为新的默认元数据。

假设您已经意外运行，然后您是一个alter table abc add columns (stats1 map<string,string>, stats2 map<string,string>)没有DROPPING 的旧分区。数据将存储在基础文件中，但如果您从配置单元中查询该表以获取该分区，它不会显示，因为元数据未更新。无需使用以下方法重新运行插入覆盖即可解决此问题：CASCADEINSERT OVERWRITE

1. 运行SHOW CREATE TABLE dbname.tblname并复制在添加新列之前存在的所有列定义
2. 跑ALTER TABLE dbname.tblname REPLACE COLUMNS ({paste in col defs besides columns to add here}) CASCADE
3. 跑ALTER TABLE dbname.tblname ADD COLUMNS (newcol1 int COMMENT "new col") CASCADE
4. 很高兴所有分区的元数据都已更改 =)

作为步骤 2-3 的示例：

DROP TABLE IF EXISTS  junk.testcascade ;
CREATE TABLE junk.testcascade (
startcol INT
)
partitioned by (d int)
stored as parquet
;
INSERT INTO TABLE junk.testcascade PARTITION(d=1)
VALUES
    (1),
    (2)
;

INSERT INTO TABLE junk.testcascade PARTITION(d=2)
VALUES
    (1),
    (2)
;

SELECT * FROM junk.testcascade ;
+-----------------------+----------------+--+
| testcascade.startcol  | testcascade.d  |
+-----------------------+----------------+--+
| 1                     | 1              |
| 2                     | 1              |
| 1                     | 2              |
| 2                     | 2              |
+-----------------------+----------------+--+

 --no cascade! opps
ALTER TABLE junk.testcascade ADD COLUMNS( testcol1 int, testcol2 int) ;

INSERT OVERWRITE TABLE junk.testcascade PARTITION(d=3)
VALUES
    (1,1,1),
    (2,1,1)
;

INSERT OVERWRITE TABLE junk.testcascade PARTITION(d=2)
VALUES
    (1,1,1),
    (2,1,1)
;

--okay! because we created this table after altering the metadata
select * FROM junk.testcascade where d=3;
+-----------------------+-----------------------+-----------------------+----------------+--+
| testcascade.startcol  | testcascade.testcol1  | testcascade.testcol2  | testcascade.d  |
+-----------------------+-----------------------+-----------------------+----------------+--+
| 1                     | 1                     | 1                     | 3              |
| 2                     | 1                     | 1                     | 3              |
+-----------------------+-----------------------+-----------------------+----------------+--+

--not okay even tho we inserted =( because the metadata isnt changed
select * FROM junk.testcascade where d=2;
+-----------------------+-----------------------+-----------------------+----------------+--+
| testcascade.startcol  | testcascade.testcol1  | testcascade.testcol2  | testcascade.d  |
+-----------------------+-----------------------+-----------------------+----------------+--+
| 1                     | NULL                  | NULL                  | 2              |
| 2                     | NULL                  | NULL                  | 2              |
+-----------------------+-----------------------+-----------------------+----------------+--+

--cut back to original columns
ALTER TABLE junk.testcascade REPLACE COLUMNS( startcol int) CASCADE;

--add
ALTER table junk.testcascade ADD COLUMNS( testcol1 int, testcol2 int) CASCADE;

--it works!
select * FROM junk.testcascade where d=2; 
+-----------------------+-----------------------+-----------------------+----------------+--+
| testcascade.startcol  | testcascade.testcol1  | testcascade.testcol2  | testcascade.d  |
+-----------------------+-----------------------+-----------------------+----------------+--+
| 1                     | 1                     | 1                     | 2              |
| 2                     | 1                     | 1                     | 2              |
+-----------------------+-----------------------+-----------------------+----------------+--+

Answer 3

要将列添加到分区表中，您需要重新创建分区。假设表是外部的并且数据文件已经包含新列，请执行以下操作： 1. 更改表添加列... 2. 重新创建分区。对于每个分区做 Drop 然后创建。新创建的分区架构将继承表架构。

或者，您可以删除表然后创建表并创建所有分区或只需运行MSCK REPAIR TABLE abc 命令即可恢复它们。Amazon Elastic MapReduce (EMR) 的 Hive 版本上的等效命令是：ALTER TABLE table_name RECOVER PARTITIONS. 请参阅此处的手册：恢复分区

同样在 Hive 1.1.0 及更高版本中，您可以CASCADE使用ALTER TABLE ADD|REPLACE COLUMNS. 请参阅此处的手册：添加列

这些建议适用于外部表。

Answer 4

仅当您的数据已分区并且您知道最新分区的位置时，此解决方案才有效。在这种情况下，您可以执行以下操作，而不是执行恢复分区或修复成本高昂的操作：

• 读取分区表并获取架构详细信息
• 阅读要更新的表
• 现在找出所有不同的列并为每个列做一个改变表

发布一个scala代码以供参考：

def updateMetastoreColumns(spark: SparkSession, partitionedTablePath: String, toUpdateTableName: String): Unit = {
    //fetch all column names along with their corresponding datatypes from latest partition
    val partitionedTable = spark.read.orc(partitionedTablePath)
    val partitionedTableColumns = partitionedTable.columns zip partitionedTable.schema.map(_.dataType.catalogString)

    //fetch all column names along with their corresponding datatypes from currentTable
    val toUpdateTable = spark.read.table(toUpdateTableName)
    val toUpdateTableColumns = toUpdateTable.columns zip toUpdateTable.schema.map(_.dataType.catalogString)

    //check if new columns are present in newer partition
    val diffColumns = partitionedTableColumns.diff(toUpdateTableColumns)

    //update the metastore with new column info
    diffColumns.foreach {column: (String, String) => {
      spark.sql(s"ALTER TABLE ${toUpdateTableName} ADD COLUMNS (${column._1} ${column._2})")
    }}
  }

这将帮助您动态查找添加到较新分区的最新列，并将其即时更新到您的元存储。