hive 元数据解析（转）

樱花季节

转自：http://www.tbdata.org/archives/939

在使用hive进行开发时，我们往往需要获得一个已存在hive表的建表语句(DDL),然而hive本身并没有提供这样一个工具。
要想还原建表DDL就必须从元数据入手，我们知道，hive的元数据并不存放在hdfs上，而是存放在传统的RDBMS中，典型的如mysql，derby等，这里我们以mysql为元数据库，结合0.4.2版本的hive为例进行研究。
连接上mysql后可以看到hive元数据对应的表约有20个，其中和表结构信息有关的有9张，其余的10多张或为空，或只有简单的几条记录，以下是部分主要表的简要说明。
表名        说明        关联键
TBLS        所有hive表的基本信息        TBL_ID,SD_ID
TABLE_PARAM        表级属性，如是否外部表，表注释等        TBL_ID
COLUMNS        Hive表字段信息(字段注释，字段名，字段类型，字段序号)        SD_ID
SDS        所有hive表、表分区所对应的hdfs数据目录和数据格式        SD_ID,SERDE_ID
SERDE_PARAM        序列化反序列化信息，如行分隔符、列分隔符、NULL的表示字符等        SERDE_ID
PARTITIONS        Hive表分区信息        PART_ID,SD_ID,TBL_ID
PARTITION_KEYS        Hive分区表分区键        TBL_ID
PARTITION_KEY_VALS        Hive表分区名(键值)        PART_ID
除了上面几张表外，还有两张表非常有趣:NUCLEUS_TABLES和SEQUENCE_TABLE
NUCLEUS_TABLES表中保存了元数据表和hive中class类的对应关系，如’org.apache.hadoop.hive.metastore.model.MTable’, ‘`TBLS`’，说明MTable类对应了元数据的TBLS表，不难想象当我们创建一张表时，hive一定会通过MTable的DAO模式向TBLS插入一条数据用来描述刚刚创建的hive表。NUCLEUS_TABLES表内现在共有17条这样的记录。
SEQUENCE_TABLE表保存了hive对象的下一个可用ID，如’org.apache.hadoop.hive.metastore.model.MTable’, 271786，则下一个新创建的hive表其TBL_ID就是271786，同时SEQUENCE_TABLE表中271786被更新为271791(这里每次都是+5而不是预料中的+1，有些奇怪)。同样，COLUMN，PARTITION等都有相应的记录。
从上面两张表的内容来看，hive表创建表的过程已经比较清楚了
解析用户提交hive语句，对其进行解析，分解为表、字段、分区等hive对象
根据解析到的信息构建对应的表、字段、分区等对象，从SEQUENCE_TABLE中获取构建对象的最新ID，与构建对象信息(名称，类型等)一同通过DAO方法写入到元数据表中去，成功后将SEQUENCE_TABLE中对应的最新ID+5。
实际上我们常见的RDBMS都是通过这种方法进行组织的，典型的如postgresql，其系统表中和hive元数据一样裸露了这些id信息(oid,cid等),而Oracle等商业化的系统则隐藏了这些具体的ID。
有了上面的信息，再想获得hive的建表语句已经是易如反掌了，这里提供一个已经开发好的脚本，使用shell开发，大家可以自由修改。注意:其中mysql连接信息请根据实际环境进行配置。
点击下载
使用方法如下:
hivesql sql   <table|file>         —  获取指定hive表或指定文件中所有hive表的DDL，如果有按天的分区则默认执行最近7天的分区DDL。同时，table支持符合sql语法的正则表达式，如果有多个表匹配，则提示用户选择(使用file则自动关闭该交互功能)。
hivesql synctab <table|file>  — 基本同上，但是会将得到的DDL提交到当前的hive环境，可用来在不同的hive环境中复制表结构。
如果需要多天分区DDL还可以这样用(前提是分区中含有日期信息，如pt=20100720):
hivesql sql s_table 20100702                      — 除建表语句外，获得自20100702以来的分区DDL
hivesql sql s_table 20100702 20100725  — ………………………..自20100702-20100725的分区DDL
hivesql sql s_table 20100702 10                 — ………………………..自20100702起10天的分区DDL
hivesql synctab和hivesql sql一样支持上述日期限定功能。
此外，还提供了两个附加的功能(也很有用呃)
hivesql loc <reg>             —  根据关键字查找能够匹配到的hive表或对应的数据路径
hivesql hdfswc  <hdfsdir>  — 获取指定数据目录下所有数据的总行数，支持普通文本，TextFile和SequenceFile的压缩格式，类似于linux下的wc -l

Hock

数据解析相关测试用例设计。。。