Gestisci i dati esterni partizionati con Hive

Puoi utilizzare le tabelle esterne di BigQuery per eseguire query sui dati partizionati nei seguenti datastore:

I dati partizionati esternamente devono utilizzare un layout di partizionamento Hive predefinito e devono essere in uno dei seguenti formati:

  • Avro
  • CSV
  • JSON
  • ORC
  • Parquet

Per eseguire query su dati partizionati esternamente, devi creare una tabella BigLake o una tabella esterna. Ti consigliamo di utilizzare le tabelle BigLake perché ti consentono di applicare una sicurezza granulare a livello di tabella. Per informazioni su BigLake e sulle tabelle esterne, consulta Introduzione alle tabelle BigLake e Introduzione alle tabelle esterne.

Puoi attivare il supporto del partizionamento Hive impostando le opzioni appropriate nel file di definizione della tabella. Per istruzioni su come eseguire query su tabelle partizionate gestite, consulta Introduzione alle tabelle partizionate.

Schema di partizione

Le sezioni seguenti spiegano il layout predefinito partizionato di Hive e le modalità di rilevamento dello schema supportate da BigQuery.

Per evitare di leggere file non necessari e migliorare le prestazioni, puoi utilizzare i filtri dei predicati sulle chiavi di partizione nelle query.

Layout dei dati supportati

Le chiavi di partizione Hive vengono visualizzate come colonne normali quando esegui query sui dati di Cloud Storage. I dati devono seguire un layout partizionato Hive predefinito. Ad esempio, i seguenti file seguono il layout predefinito: le coppie chiave-valore sono configurate come directory con un segno di uguale (=) come separatore e le chiavi di partizione sono sempre nello stesso ordine:

gs://my_bucket/my_table/dt=2019-10-31/lang=en/my_filename
gs://my_bucket/my_table/dt=2018-10-31/lang=fr/my_filename

Il prefisso URI di origine comune in questo esempio è gs://my_bucket/my_table.

Layout dei dati non supportati

Se i nomi delle chiavi di partizione non sono codificati nel percorso della directory, il rilevamento dello schema di partizione non va a buon fine. Ad esempio, considera il seguente percorso, che non codifica i nomi delle chiavi di partizione:

gs://my_bucket/my_table/2019-10-31/en/my_filename

Anche i file in cui lo schema non è in un ordine coerente non vengono rilevati. Ad esempio, considera i seguenti due file con codifiche delle chiavi di partizione invertite:

gs://my_bucket/my_table/dt=2019-10-31/lang=en/my_filename
gs://my_bucket/my_table/lang=fr/dt=2018-10-31/my_filename

Modalità di rilevamento

BigQuery supporta tre modalità di rilevamento dello schema di partizione Hive:

  • AUTO: i nomi e i tipi di chiavi vengono rilevati automaticamente. È possibile rilevare i seguenti tipi:

  • STRINGS: i nomi delle chiavi vengono convertiti automaticamente nel tipo STRING.

  • CUSTOM: lo schema della chiave di partizione è codificato come specificato nel prefisso URI di origine.

Schema della chiave di partizione personalizzata

Per utilizzare uno schema CUSTOM, devi specificarlo nel campo del prefisso URI di origine. L'utilizzo di uno schema CUSTOM consente di specificare il tipo per ogni chiave di partizione. I valori devono essere analizzati correttamente come tipo specificato, altrimenti la query non va a buon fine.

Ad esempio, se imposti il flag source_uri_prefix su gs://my_bucket/my_table/{dt:DATE}/{val:STRING}, BigQuery tratta val come STRING, dt come DATE e utilizza gs://my_bucket/my_table come prefisso dell'URI di origine per i file corrispondenti.

Eliminazione delle partizioni

BigQuery elimina le partizioni, se possibile, utilizzando i predicati delle query sulle chiavi di partizione. In questo modo, BigQuery evita di leggere file non necessari, il che contribuisce a migliorare le prestazioni.

Filtri dei predicati sulle chiavi di partizionamento nelle query

Quando crei una tabella partizionata esternamente, puoi richiedere l'utilizzo di filtri di predicato sulle chiavi di partizione attivando l'opzione requirePartitionFilter in HivePartitioningOptions.

Quando questa opzione è abilitata, i tentativi di eseguire query sulla tabella partizionata esternamente senza specificare una clausola WHERE generano il seguente errore: Cannot query over table <table_name> without a filter over column(s) <partition key names> that can be used for partition elimination.

Limitazioni

  • Il supporto del partizionamento Hive si basa sul presupposto che esista un prefisso URI di origine comune per tutti gli URI che termina immediatamente prima della codifica della partizione, come segue: gs://BUCKET/PATH_TO_TABLE/.
  • Si presume che la struttura di directory di una tabella partizionata Hive abbia le stesse chiavi di partizionamento nello stesso ordine, con un massimo di dieci chiavi di partizionamento per tabella.
  • I dati devono seguire un layout di partizionamento Hive predefinito.
  • Le chiavi di partizionamento Hive e le colonne nei file sottostanti non possono sovrapporsi.

  • Il supporto è disponibile solo per GoogleSQL.

  • Si applicano tutte le limitazioni per l'esecuzione di query su origini dati esterne archiviate in Cloud Storage.

Passaggi successivi