支付宝数据仓库HIVE开发注意事项.docVIP

PAGE 2 PAGE 4 支付宝数据仓库编程文档V1.0 HIVE开发注意事项 HIVE开发注意事项 始终保持怀疑的态度来使用Hive HIVE环境中账户分类 目前hive分为logana和payods两个应用用户，前者用作日志分析，后者用作内容分析，与gp保持一致 数据存储及物理文件目录 目录结构:payods作为“内容”这边的总目录，下面二级目录以数据层次划分，数据层次下面三级目录以主题划分，如下 payods payods/ods(dwd、dwb、dws、dm、st、dim、t、tmp) payods/ods/trd(fnd、crd、chg、pay、cbz、bbz、ctu、crm、mob、tbd、tec)，此处没有log主题 每日全量一律用表分区存储，不再新建表，并且这样的表以“_dd”作为后缀（表示每个分区即时一份全量），分区字段命名见1.3-4）节 建表及命名 除tmp表外其他表一律用外部表（external），（字段长度如何体现，建表系统）， create external table tabname ( col1 int ,col2 string ) partitioned by(dt string) row format delimited fields terminated by , lines terminated by \n stored as textfile location /group/alipay/alipaydw/payods/ods/trd/tabname; alter table tabname set serdeproperties(serialization.null.format = ); 说明：external建表模式下，表分区删除后，数据文件仍保留，而tmp表属于加载过程中临时性质，用完以后需要将数据删除。所以tmp表不能建为external表 建表语句之后，必须通过ALTER TABLE 来设置set serdeproperties属性，将使的NULL值在文本中存储为空字符，符合目前使用的习惯及要求 表数据存储格式一律用textfile，非压缩 字段间用逗号（，）分割，行间隔用换行符（\n）分割 日期分区字段统一采用dt命名，格式如下“yyyymmdd” partitioned by(dt string)， dim表一律用非分区表 tmp表一律用分区表（用来清空数据，insert overwrite时select表数据为空时不会覆盖目标表数据，因此须采用清分区的方法，另外由于tmp是脚本执行过程中临时性质使用的表，所以通过清分区的方式可以释放空间），无后缀 tcl中tmp命名格式：tmp_tcl名字_序号 注意：每个tcl执行完成后，需要在最后进行drop清除分区的动作 如：alter table tmp_dim_trade_notetype drop partition (dt = ${tmp_yyyymmdd} ods、dwd，dwb表一律采用分区表，以DD结尾，（需要和GP上的表区别，GP上的表带有YYYYMMDD后缀），表示日明细表 dws表一律采用分区表，以DS结尾，表示日汇总表 数据类型及函数使用 使用四种类型：string（字符串）、int（短整型）、bigint（长整型，用于金额等字段类型）、double（仅用于服务费率等含小数字段类型） 日期格式字段统一使用yyyymmdd的格式，类型使用string Timestamp格式字段统一使用yyyy-mm-dd hh24:mi:ss的格式，类型使用string 排序是如果要求对所有结果有顺序用order by ，否则用distribute by ... sort by ... 其中 order by 是对结果的全局排序，而distribute by ... sort by是对分发到不同服务器上的数据进行局部排序 order by 1;类似的写法不正确，要用列名称排序 需要对查询结果赋予自增序列，需要使用rownumber ()函数，它是一个UDF函数（自定义函数），在使用这个函数时，需要通过如下命令方式进入HIVE： hive -i /data1/alipaydw/alitools/lib/ali_hive_function 实现类似于row_number() over(partition by trade_no order by modified_date) = 1的功能，排重并且取第一条 Select trade_no rownumber(trade_no) From (se