处理架构更新 - Amazon Athena
Amazon Web Services 文档中描述的 Amazon Web Services 服务或功能可能因区域而异。要查看适用于中国区域的差异,请参阅 中国的 Amazon Web Services 服务入门 (PDF)

本文属于机器翻译版本。若本译文内容与英语原文存在差异,则一律以英文原文为准。

处理架构更新

本节提供了有关为各种数据格式处理架构更新的指导。Athena 是一种基于读取的查询引擎。这意味着,当您在 Athena 中创建一个表时,它会在读取数据时应用架构。它不会改变或者重写底层数据。

如果您期望表架构有所变化,则在创建表架构时应考虑采用一种适合您的需求的数据格式。您的目标是对于不断演进的架构仍能再利用现有的 Athena 查询,同时避免在查询包含分区的表时发生架构不匹配错误。

为实现这些目标,请基于下列主题中的表选择表的数据格式。

摘要:Athena 中的更新和数据格式

下表总结了数据存储格式及其支持的架构处理方式。使用此表有助于您选择格式,即使架构随时间发生了变化,也可继续使用 Athena 查询。

在此表中,您可以观察到 Parquet 和 ORC 的列式格式具有不同的默认列访问方法。预设情况下,Parquet 将按名称访问列,ORC 按索引(序数值)访问列。因此,Athena 可在创建表时定义一个 SerDe 属性,以切换默认列访问方法,从而在架构演进的过程中实现更大的灵活度。

对于 Parquet,可将 parquet.column.index.access 属性设为 true,这样可将列访问方法设置为使用列的序号。将此属性设为 false 会将列访问方法改为使用列名称。同样,ORC 使用 orc.column.index.access 属性控制列访问方法。有关更多信息,请参阅ORC 和 Parquet 中的索引访问

除了将列重新排序或在表的开头添加列之外,可通过 CSV 和 TSV 进行所有其他架构操作。例如,如果架构演进只需要将列重新命名而不需要删除它们,您可以选择创建 CSV 或 TSV 格式的表。如果您需要删除列,请不要使用 CSV 或 TSV,而要使用任何其他支持的格式,最好是列式格式(例如 Parquet 或 ORC)。

Athena 中的架构更新和数据格式
架构更新的预期类型 摘要 CSV(带或不带标头)和 TSV JSON AVRO PARQUET:按名称读取(默认) PARQUET:按索引读取 ORC:按索引读取(默认) ORC:按名称读取
重命名列 将您的数据存储为 CSV 和 TSV;或存储为 ORC 和 Parquet(如果按索引读取)。
在表的开头或中间添加新列 将您的数据存储为 JSON、AVRO;或存储为 Parquet 和 ORC(如果按名称读取)。不要使用 CSV 和 TSV。
在表的末尾添加列 将您的数据以 CSV 或 TSV、JSON、AVRO、ORC 或 Parquet 格式存储。
删除列 将您的数据存储为 JSON、AVRO;或存储为 Parquet 和 ORC(如果按名称读取)。不要使用 CSV 和 TSV。
对列重新排序 将您的数据存储为 AVRO、JSON;或存储为 ORC 和 Parquet(如果按名称读取)。
更改列的数据类型 将您的数据存储为任何格式,但请在 Athena 中测试您的查询,以确保数据类型兼容。对于 Parquet 和 ORC,更改数据类型仅适用于分区表。

ORC 和 Parquet 中的索引访问

PARQUET 和 ORC 是列式数据存储格式,可以按索引或名称读取。将数据存储为这两种格式之一,可在执行所有架构操作和运行 Athena 查询时确保不会产生架构不匹配的错误。

  • Athena 预设情况下按索引读取 ORC,如 SERDEPROPERTIES ( 'orc.column.index.access'='true') 中所定义。有关更多信息,请参阅ORC:按索引读取

  • Athena 预设情况下按名称读取 Parquet,在 SERDEPROPERTIES ( 'parquet.column.index.access'='false') 中定义。有关更多信息,请参阅Parquet:按名称读取

这些是默认设置,因此在您的 CREATE TABLE 查询中指定这些 SerDe 属性是可选操作,它们是隐式使用的。如果使用这些属性,则允许您运行一些架构更新操作,同时防止其他类似操作。要支持这些操作,请运行另一 CREATE TABLE 查询并更改 SerDe 设置。

注意

这些 SerDe 属性不会自动传播到每个分区。使用 ALTER TABLE ADD PARTITION 语句为每个分区设置 SerDe 属性。要自动执行该流程,请编写一个运行 ALTER TABLE ADD PARTITION 语句的脚本。

以下各部分详细描述了这些情况。

ORC:按索引读取

预设情况下,ORC 格式的表是按索引读取的。这是由以下语法定义的:

WITH SERDEPROPERTIES ( 'orc.column.index.access'='true')

按索引读取允许您将列重新命名。但这样的设置无法删除列或在表的中间添加列。

如果按名称读取 ORC,您就可以在 ORC 表的中间添加列,或删除列,请在 CREATE TABLE 语句中将 SerDe 属性 orc.column.index.access 设为 false。如使用此配置,将无法将列重新命名。

注意

在 Athena 引擎版本 2 中,当 ORC 表设置为按名称读取时,Athena 要求 ORC 文件中的所有列名称均为小写。由于 Apache Spark 在生成 ORC 文件时不会使用小写字段名称,因此 Athena 可能无法读取如此生成的数据。解决方法是使用小写对列重命名,或使用 Athena 引擎版本 3。

以下示例演示了如何将 ORC 更改为按名称读取:

CREATE EXTERNAL TABLE orders_orc_read_by_name ( `o_comment` string, `o_orderkey` int, `o_custkey` int, `o_orderpriority` string, `o_orderstatus` string, `o_clerk` string, `o_shippriority` int, `o_orderdate` string ) ROW FORMAT SERDE 'org.apache.hadoop.hive.ql.io.orc.OrcSerde' WITH SERDEPROPERTIES ( 'orc.column.index.access'='false') STORED AS INPUTFORMAT 'org.apache.hadoop.hive.ql.io.orc.OrcInputFormat' OUTPUTFORMAT 'org.apache.hadoop.hive.ql.io.orc.OrcOutputFormat' LOCATION 's3://schema_updates/orders_orc/';

Parquet:按名称读取

预设情况下,Parquet 格式的表是按名称读取的。这是由以下语法定义的:

WITH SERDEPROPERTIES ( 'parquet.column.index.access'='false')

按名称读取允许您在表中间添加列或删除列。但该设置无法将列重新命名。

要将 Parquet 设为按索引读取,使您可以将列重新命名,则必须在创建表时将 parquet.column.index.access SerDe 属性设为 true