Hive 如何快速拉取大批量数据
|
但是，这个会有什么问题?同样，小数据量时无任何疑问，但当数据量足够大时，每一次的数据接收，都需要一次网络通信请示，且都是单线程的。我们假设接受一条数据花费1ms, 那么接收1000条数就是1s, 6k条数据就是1min。36w条数据就是1h, 额，后面就无需再算了。同样是不可估量的时间消耗。(实际情况也许会好点，因为会有buffer缓冲的存在) 为什么会这样呢?运算量已经减小了，但是这网络通信量，我们又能如何?实际上，问题不在于网络通信问题，而在于我们使用这种方式，使我们从并行计算转到了串行计算的过程了。因为只有单点的数据接收，所以只能将数据汇集处理。从而就是一个串行化的东西了。 所以，我们更多应该从并行这一层面去解决问题。 3. 基于临时表实现 要解决并行变串行的问题，最根本的办法就是避免一条条读取数据。而要避免这个问题，一个很好想到的办法就是使用临时表，绕开自己代码的限制。让大数据集群自行处理并行计算问题，这是个不错的想法。 但具体如何做呢?我们面临至少这么几个问题： 如何将数据写入临时表? 写入临时表的数据如何取回?是否存在瓶颈问题? 临时表后续如何处理? 我们一个个问题来，第1个，如何写临时表问题：我们可以选择先创建一个临时表，然后再使用insert into select ... from ... 的方式写入，但这种方式非常费力，首先你得固化下临时表的数据结构，其次你要处理多次写入问题。看起来不是最好的办法。幸好，hive中或者相关数据库产品都提供了另一种更方便的建临时表的方法: create table xxx as select ... from ... 你只需要使用一个语句就可以将结果写入到临时表了。但需要注意的是，我们创建时，需要指定好我们需要的格式，否则最终结果也许不是我们想要的，比如我们需要使用','分隔数据而非tab, 我们需要使用 text 形式的数据，而非压缩的二进制格式。 以下是个使用样例： -- 外部使用 create table 包裹 CREATE TABLE tmp_2020110145409001 ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' STORED AS TEXTFILE as -- 具体的业务select sql select t1.*, t2.* from test t1 left join test2 t2 on t1.id = t2.t_id ; 如此，我们就得到所需的结果了。以上结果，在hive中表现为一个临时表。而其背后则是一个个切分的文件，以','号分隔的文本文件，且会按照hive的默认存储目录存放。(更多具体语法请查询官网资料) 接下来，我们要解决第2个问题：如何将数据取回?这个问题也不难，首先，现在结果已经有了，我们可以一行行地读取返回，就像前面一样。但这时已经没有了数据运算，应该会好很多。但明显还是不够好，我们仍然需要反复的网络通信。我们知道，hive存储的背后，是一个个切分的文件，如果我们能够将该文件直接下载下来，那将会是非常棒的事。不错，最好的办法就是，直接下载hive的数据文件，hive会存储目录下，以类似于 part_0000, part_0001... 之类的文件存放。 那么，我们如何才能下载到这些文件呢?hive是基于hadoop的，所以，很明显我们要回到这个问题，基于hadoop去获取这些文件。即 hdfs 获取，命令如下： （编辑：济宁站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
