2

我正在使用 Kinesis Firehose 缓冲 IoT 数据，并将其写入 s3。Firehose 以格式将缓冲区写入 s3s3://bucket.me.com/YYYY/MM/DD/HH

在 10:59a 进入的数据可能会被 Firehose 缓冲，直到 11:00a ( s3://bucket.me.com/2017/03/09/11) 才被写入。

问题是，在为 Athena 创建分区时，第 10 小时的分区不会包含第 10 小时的所有数据，因为它位于第 11 小时的路径中。

这是一个更好地说明的示例：

物联网将以下数据发送到 Firehose，Firehose 在 2a 将其写入s3://bucket.me.com/2017/03/24/02/file-0000. 文件内容如下所示：

{"id":1,"dt":"2017-03-24 01:59:40"}
{"id":2,"dt":"2017-03-24 01:59:41"}
{"id":3,"dt":"2017-03-24 01:59:42"}

然后我创建一个 Athena 表：

CREATE EXTERNAL TABLE sensor_data (
    id string,
    dt timestamp)
PARTITIONED BY (year int, month int, day int, hour int)
ROW FORMAT  serde 'org.apache.hive.hcatalog.data.JsonSerDe'
LOCATION 's3://bucket.me.com/';

ALTER TABLE sensor_data ADD PARTITION (year=2017,month=3,day=24,hour=1) location 's3://bucket.me.com/2017/03/24/01/';
ALTER TABLE sensor_data ADD PARTITION (year=2017,month=3,day=24,hour=2) location 's3://bucket.me.com/2017/03/24/02/';

当我运行时select * from sensor_data where hour = 1，我不会返回上面的 3 条记录，因为它只会从为分区定义的 s3 路径中读取hour=1（并且 3 条记录确实在hour=2分区中）。

我该如何避免这个问题？

4

2 回答 2

1

你不能完全避免它，但更频繁地写作会在适当的时间产生更准确的结果。

于 2017-03-24T02:52:42.777 回答
1

我想你会想要更广泛地查询然后重新过滤 select * from sensor_data where (hour = 1 or hour = 2) and date_trunc('hour', dt.hour) = 1

于 2017-07-04T19:16:08.117 回答