如何使用HiveJindoSDK处理OSS-HDFS服务中的数据

使用Hive搭建离线数仓时，随着数据量的不断增长，传统的基于HDFS存储的数仓可能无法以较低成本满足用户的需求。在这种情况下，您可以使用OSS-HDFS服务作为Hive数仓的底层存储，并通过JindoSDK获得更好的读写性能。

前提条件

已创建ECS实例。具体步骤，请参见选购ECS实例。
已开通并授权访问OSS-HDFS服务。具体操作，请参见开通并授权访问OSS-HDFS服务。
已自行部署Hive客户端。

操作步骤

连接ECS实例。具体操作，请参见连接ECS实例。
配置JindoSDK。
1. 下载最新版本的JindoFS SDK JAR包。下载地址，请参见JindoData下载。
2. 可选：如果您的环境中未包含Kerberos和SASL相关依赖，则需要在部署JindoSDK的所有节点安装以下依赖。
  - Ubuntu或Debian
```
sudo apt-get install libkrb5-dev krb5-admin-server krb5-kdc krb5-user libsasl2-dev libsasl2-modules libsasl2-modules-gssapi-mit
```
  - Red Hat Enterprise Linux或CentOS
```
sudo yum install krb5-server krb5-workstation cyrus-sasl-devel cyrus-sasl-gssapi cyrus-sasl-plain
```
  - macOS
```
brew install krb5
```
3. 将已下载的JindoSDK JAR包拷贝至Hive的classpath路径下。
```
cp jindosdk-x.x.x/lib/*.jar  $HIVE_HOME/lib/
```
  说明 x.x.x表示JindoSDK JAR包版本号。

配置OSS-HDFS服务实现类及AccessKey。

将OSS-HDFS服务实现类配置到Hive的core-site.xml文件中。

<configuration>
    <property>
        <name>fs.AbstractFileSystem.oss.impl</name>
        <value>com.aliyun.jindodata.oss.JindoOSS</value>
    </property>

    <property>
        <name>fs.oss.impl</name>
        <value>com.aliyun.jindodata.oss.JindoOssFileSystem</value>
    </property>
</configuration>

将已开启OSS-HDFS服务的Bucket对应的AccessKey ID、AccessKey Secret预先配置在Hive的core-site.xml文件中。

<configuration>
    <property>
        <name>fs.oss.accessKeyId</name>
        <value>LTAI5t7h6SgiLSganP2m****</value>
    </property>

    <property>
        <name>fs.oss.accessKeySecret</name>
        <value>KZo149BD9GLPNiDIEmdQ7d****</value>
    </property>
</configuration>

配置OSS-HDFS服务Endpoint。
使用OSS-HDFS服务访问OSS Bucket时需要配置Endpoint。推荐访问路径格式为oss://<Bucket>.<Endpoint>/<Object>，例如oss://examplebucket.cn-shanghai.oss-dls.aliyuncs.com/exampleobject.txt。配置完成后，JindoSDK会根据访问路径中的Endpoint访问对应的OSS-HDFS服务接口。
您还可以通过其他方式配置OSS-HDFS服务Endpoint，且不同方式配置的Endpoint存在生效优先级。更多信息，请参见附录一：配置Endpoint的其他方式。
重要完成以上配置后，您需要重启Hive服务，使配置生效。
通过OSS-HDFS服务存储数据。
创建数据库和表时，您可以通过以下两种方式指定OSS-HDFS服务路径，将数据库或表的数据保存到OSS-HDFS服务中。
- 方式一：在命令示例中指定OSS-HDFS服务路径
  - 创建数据库时指定OSS-HDFS服务路径
```
CREATE DATABASE db_on_oss1 LOCATION 'oss://bucket_name.endpoint_name/path/to/db1';
```
  - 创建表时指定OSS-HDFS服务路径
```
CREATE TABLE db2.table_on_oss ... LOCATION 'oss://bucket_name.endpoint_name/path/to/db2/tablepath';
```
- 方式二：在配置文件中指定OSS-HDFS服务路径
  您可以在Hive Metastore的hive-site.xml配置文件中设置hive.metastore.warehouse.dir到OSS-HDFS服务路径，然后重启Hive Metastore，后续创建的数据库和数据库下的表均默认存储于OSS-HDFS服务路径中。
  配置示例如下：
```
<configuration>

    <property>
        <name>hive.metastore.warehouse.dir</name>
        <value>oss://bucket_name.endpoint_name/path/to/warehouse</value>
    </property>

</configuration>
```

为已有表添加分区。

您可以为已创建的表添加分区，从而将其分成较小的存储单元。根据查询条件，只扫描满足条件的分区而避免全表扫描，从而显著提升查询性能。

命令格式

ALTER TABLE <table_name> ADD [IF NOT EXISTS] PARTITION <pt_spec> [PARTITION <pt_spec> PARTITION <pt_spec>...] LOCATION 'location';

参数说明如下：


参数	是否可选	说明
table_name	必选	待添加分区的表名称。
IF NOT EXISTS	可选	未指定IF NOT EXISTS时，如果同名的分区已存在，会执行失败并返回报错。
pt_spec	必选	新增的分区，格式为`(partition_col1 = partition_col_value1, partition_col2 = partition_col_value2, ...)`。其中，`partition_col`表示分区字段，`partition_col_value`表示分区值。分区字段不区分大小写，分区值区分大小写。
location	必选	指定存储分区的OSS路径。

使用示例
以下示例用于为表sale_detail添加一个分区，用于存储2021年12月华东1（杭州）地域的销售记录，并将分区存储于指定的OSS路径。
```
ALTER TABLE sale_detail ADD IF NOT EXISTS PARTITION (sale_date='202112', region='hangzhou') LOCATION 'oss://examplebucket.cn-hangzhou.oss-dls.aliyuncs.com/path/2021/';
```