HAWQ技术解析（九） —— 外部数据

        HAWQ不但可以读写自身系统中的表，而且能够访问HDFS、Hive、HBase等外部系统的数据。这是通过一个名为PXF的扩展框架实现的。大部分外部数据是以HAWQ外部表的形式进行访问的，但对于Hive，除外部表方式，PXF还能够与HCatalog结合直接查询Hive表。PXF内建多个连接器，用户也可以按照PXF API创建自己的连接器，访问其它并行数据存储或处理引擎。

一、安装配置PXF
        如果使用Ambari安装管理HAWQ集群，那么不需要执行任何手工命令行安装步骤，从Ambari web接口就可以安装所有需要的PXF插件。详细安装步骤参考用HAWQ轻松取代传统数据仓库（二） —— 安装部署。如果使用命令行安装PXF，参见Installing PXF from the Command Line。PXF相关的缺省安装目录和文件如表1所示。

目录

描述

/usr/lib/pxf

PXF库目录。

/etc/pxf/conf

PXF配置目录。该目录下包含pxf-public.classpath、pxf-private.classpath及其它配置文件。

/var/pxf/pxf-service

PXF服务实例所在目录。

/var/log/pxf

该目录包含pxf-service.log和所有Tomcat相关的日志文件。（PXF需要在主机上运行Tomcat，用Ambari安装PXF时会自动安装Tomcat），这些文件的属主是pxf:pxf，对其他用户是只读的。

/var/run/pxf/catalina.pid

PXF Tomcat容器的PID文件，存储进程号。

表1

        与安装一样，PXF也可以使用Ambari的图形界面进行交互式配置，完成后重启PXF服务以使配置生效。手工配置步骤参考Configuring PXF。注意，手工配置需要修改所有集群主机上的相关配置文件，然后重启所有节点上的PXF服务。

二、PXF profile
        PXF profile是一组通用元数据属性的集合，用于简化外部数据读写。PXF自带多个内建的profile，每个profile将一组元数据属性归于一类，使得对以下数据存储系统的访问更加容易：

• HDFS文件数据（读写）
• Hive（只读）
• HBase（只读）
• JSON（只读）

        表2说明了PXF的内建profile及其相关Java类。这些profile在/etc/pxf/conf/pxf-profiles.xml文件中定义。

Profile 

描述 

相关Java类 

 HdfsTextSimple

 读写HDFS上的平面文本文件，每条记录由固定分隔符的一行构成。

org.apache.hawq.pxf.plugins.hdfs.HdfsDataFragmenter

org.apache.hawq.pxf.plugins.hdfs.LineBreakAccessor

org.apache.hawq.pxf.plugins.hdfs.StringPassResolver

 HdfsTextMulti

 从HDFS上的平面文件中读取具有固定分隔符的记录，每条记录由一行或多行（记录中包含换行符）构成。此profile是不可拆分的（非并行），比HdfsTextSimple读取慢。

org.apache.hawq.pxf.plugins.hdfs.HdfsDataFragmenter

org.apache.hawq.pxf.plugins.hdfs.QuotedLineBreakAccessor

org.apache.hawq.pxf.plugins.hdfs.StringPassResolver

 Hive

 读Hive表，支持text、RC、ORC、Sequence或Parquet存储格式。

org.apache.hawq.pxf.plugins.hive.HiveDataFragmenter

org.apache.hawq.pxf.plugins.hive.HiveAccessor

org.apache.hawq.pxf.plugins.hive.HiveResolver

org.apache.hawq.pxf.plugins.hive.HiveMetadataFetcher

org.apache.hawq.pxf.service.io.GPDBWritable

 HiveRC

 优化读取RCFile存储格式的Hive表，必须指定DELIMITER参数。

org.apache.hawq.pxf.plugins.hive.HiveInputFormatFragmenter

org.apache.hawq.pxf.plugins.hive.HiveRCFileAccessor

org.apache.hawq.pxf.plugins.hive.HiveColumnarSerdeResolver

org.apache.hawq.pxf.plugins.hive.HiveMetadataFetcher

org.apache.hawq.pxf.service.io.Text

 HiveORC

 优化读取ORCFile存储格式的Hive表。

org.apache.hawq.pxf.plugins.hive.HiveInputFormatFragmenter

org.apache.hawq.pxf.plugins.hive.HiveORCAccessor

org.apache.hawq.pxf.plugins.hive.HiveORCSerdeResolver

org.apache.hawq.pxf.plugins.hive.HiveMetadataFetcher

org.apache.hawq.pxf.service.io.GPDBWritable

 HiveText

 优化读取TextFile存储格式的Hive表，必须指定DELIMITER参数。

org.apache.hawq.pxf.plugins.hive.HiveInputFormatFragmenter

org.apache.hawq.pxf.plugins.hive.HiveLineBreakAccessor

org.apache.hawq.pxf.plugins.hive.HiveStringPassResolver

org.apache.hawq.pxf.plugins.hive.HiveMetadataFetcher

org.apache.hawq.pxf.service.io.Text

 HBase

 读取HBase数据存储引擎。

org.apache.hawq.pxf.plugins.hbase.HBaseDataFragmenter

org.apache.hawq.pxf.plugins.hbase.HBaseAccessor

org.apache.hawq.pxf.plugins.hbase.HBaseResolver

 Avro

 读取Avro文件。

org.apache.hawq.pxf.plugins.hdfs.HdfsDataFragmenter

org.apache.hawq.pxf.plugins.hdfs.AvroFileAccessor

org.apache.hawq.pxf.plugins.hdfs.AvroResolver

JSON

 读取HDFS上的JSON文件。

org.apache.hawq.pxf.plugins.hdfs.HdfsDataFragmenter

org.apache.hawq.pxf.plugins.json.JsonAccessor

org.apache.hawq.pxf.plugins.json.JsonResolver 表2

二、访问HDFS文件
        HDFS是Hadoop应用的主要分布式存储机制。PXF的HDFS插件用于读取存储在HDFS文件中的数据，支持具有固定分隔符的文本和Avro两种文件格式。在使用PXF访问HDFS文件前，确认已经在集群所有节点上安装了PXF HDFS插件（Ambari会自动安装），并授予了HAWQ用户（典型的是gpadmin）对HDFS文件相应的读写权限。

1. PXF支持的HDFS文件格式
        PXF HDFS插件支持对以下两种文件格式的读取：

• comma-separated value（.csv）或其它固定分隔符的平面文本文件。
• 由JSON定义的、基于Schema的Avro文件格式。

        PXF HDFS插件包括以下Profile支持上面的两类文件：

• HdfsTextSimple - 单行文本文件
• HdfsTextMulti - 内嵌换行符的多行文本文件
• Avro - Avro文件

2. 查询外部HDFS数据
        HAWQ通过外部表的形式访问HDFS文件。下面是创建一个HDFS外部表的语法。

CREATE EXTERNAL TABLE <table_name>     ( <column_name> <data_type> [, ...] | LIKE <other_table> )LOCATION ('pxf://<host>[:<port>]/<path-to-hdfs-file>    ?PROFILE=HdfsTextSimple|HdfsTextMulti|Avro[&<custom-option>=<value>[...]]')FORMAT '[TEXT|CSV|CUSTOM]' (<formatting-properties>);

        CREATE EXTERNAL TABLE语句中使用的各个关键字和相应值的描述如表3所示。

关键字

值

<host>[:<port>]

HDFS NameNode主机名、端口。

<path-to-hdfs-file>

HDFS文件路径。

PROFILE

PROFILE关键字指定为HdfsTextSimple、HdfsTextMulti或Avro之一。

<custom-option>

与特定PROFILE对应的定制选项。

FORMAT 'TEXT'

当<path-to-hdfs-file>指向一个单行固定分隔符的平面文件时，使用该关键字。

FORMAT 'CSV'

当<path-to-hdfs-file>指向一个单行或多行的逗号分隔值（CSV）平面文件时，使用该关键字。

FORMAT 'CUSTOM'

Avro文件使用该关键字。Avro 'CUSTOM'格式只支持内建的（formatter='pxfwritable_import'）格式属性。

<formatting-properties>

与特定PROFILE对应的格式属性。

表3

        下面是几个HAWQ访问HDFS文件的例子。
（1）使用HdfsTextSimple Profile。
        HdfsTextSimple Profile用于读取一行表示一条记录的平面文本文件或CSV文件，支持的<formatting-properties>是delimiter，用来指定文件中每条记录的字段分隔符。
        为PXF创建一个HDFS目录。

su - hdfshdfs dfs -mkdir -p /data/pxf_exampleshdfs dfs -chown -R gpadmin:gpadmin /data/pxf_examples

        建立一个名为pxf_hdfs_simple.txt的平面文本文件，生成四条记录，使用逗号作为字段分隔符。

echo 'Prague,Jan,101,4875.33Rome,Mar,87,1557.39Bangalore,May,317,8936.99Beijing,Jul,411,11600.67' > /tmp/pxf_hdfs_simple.txt

        将文件传到HDFS上。

hdfs dfs -put /tmp/pxf_hdfs_simple.txt /data/pxf_examples/

        显示HDFS上的pxf_hdfs_simple.txt文件内容。

hdfs dfs -cat /data/pxf_examples/pxf_hdfs_simple.txt

        使用HdfsTextSimple profile创建一个可从pxf_hdfs_simple.txt文件查询数据的HAWQ外部表。delimiter=e','中的e表示转义，就是说如果记录正文中含有逗号，需要用\符号进行转义。

su - gpadmin psql -d db1db1=# create external table pxf_hdfs_textsimple(location text, month text, num_orders int, total_sales float8)db1-#             location ('pxf://hdp1:51200/data/pxf_examples/pxf_hdfs_simple.txt?profile=hdfstextsimple')db1-#           format 'text' (delimiter=e',');CREATE EXTERNAL TABLEdb1=# select * from pxf_hdfs_textsimple; location  | month | num_orders | total_sales -----------+-------+------------+------------- Prague    | Jan   |        101 |     4875.33 Rome      | Mar   |         87 |     1557.39 Bangalore | May   |        317 |     8936.99 Beijing   | Jul   |        411 |    11600.67(4 rows)

        用CSV格式创建第二个外部表。当指定格式为‘CSV’时，逗号是缺省分隔符，不再需要使用delimiter说明。

db1=# create external table pxf_hdfs_textsimple_csv(location text, month text, num_orders int, total_sales float8)db1-#             location ('pxf://hdp1:51200/data/pxf_examples/pxf_hdfs_simple.txt?profile=hdfstextsimple')db1-#           format 'csv';CREATE EXTERNAL TABLEdb1=# select * from pxf_hdfs_textsimple_csv;  location  | month | num_orders | total_sales -----------+-------+------------+------------- Prague    | Jan   |        101 |     4875.33 Rome      | Mar   |         87 |     1557.39 Bangalore | May   |        317 |     8936.99 Beijing   | Jul   |        411 |    11600.67(4 rows)

（2）使用HdfsTextMulti Profile
        HdfsTextMulti profile用于读取一条记录中含有换行符的平面文本文件。因为PXF将换行符作为行分隔符，所以当数据中含有换行符时需要用HdfsTextMulti进行特殊处理。HdfsTextMulti Profile支持的<formatting-properties>是delimiter，用来指定文件中每条记录的字段分隔符。
        创建一个平面文本文件。

vi /tmp/pxf_hdfs_multi.txt

        输入以下记录，以冒号作为字段分隔符，第一个字段中含有换行符。

"4627 Star Rd.San Francisco, CA  94107":Sept:2017"113 Moon St.San Diego, CA  92093":Jan:2018"51 Belt Ct.Denver, CO  90123":Dec:2016"93114 Radial Rd.Chicago, IL  60605":Jul:2017"7301 Brookview Ave.Columbus, OH  43213":Dec:2018

        将文件传到HDFS上。

su - hdfshdfs dfs -put /tmp/pxf_hdfs_multi.txt /data/pxf_examples/

        使用HdfsTextMulti profile创建一个可从pxf_hdfs_multi.txt文件查询数据的外部表，指定分隔符是冒号。

db1=# create external table pxf_hdfs_textmulti(address text, month text, year int)db1-#             location ('pxf://hdp1:51200/data/pxf_examples/pxf_hdfs_multi.txt?profile=hdfstextmulti')db1-#           format 'csv' (delimiter=e':');CREATE EXTERNAL TABLEdb1=# select * from pxf_hdfs_textmulti;         address          | month | year --------------------------+-------+------ 4627 Star Rd.            | Sept  | 2017 San Francisco, CA  94107            113 Moon St.             | Jan   | 2018 San Diego, CA  92093                51 Belt Ct.              | Dec   | 2016 Denver, CO  90123                   93114 Radial Rd.         | Jul   | 2017 Chicago, IL  60605                  7301 Brookview Ave.      | Dec   | 2018 Columbus, OH  43213                (5 rows)

（3）Avro Profile
        参见Avro Profile。

（4）访问HDFS HA集群中的文件
        为了访问HDFS HA集群中的外部数据，将CREATE EXTERNAL TABLE LOCATION子句由<host>[:<port>]修改为<HA-nameservice>。

gpadmin=# create external table pxf_hdfs_textmulti_ha (address text, month text, year int)            location ('pxf://mycluster/data/pxf_examples/pxf_hdfs_multi.txt?profile=hdfstextmulti')          format 'csv' (delimiter=e':');gpadmin=# select * from pxf_hdfs_textmulti_ha;

        查询结果如图1所示。

图1

三、访问Hive数据
        Hive是Hadoop的分布式数据仓库框架，支持多种文件格式，如CVS、RC、ORC、parquet等。PXF的Hive插件用于读取存储在Hive表中的数据。PXF提供两种方式查询Hive表：

• 通过整合PXF与HCatalog直接查询。
• 通过外部表查询。

        在使用PXF访问Hive前，确认满足以下前提条件：

• 在HAWQ和HDFS集群的所有节点上（master、segment、NameNode、DataNode）安装了PXF HDFS插件。
• 在HAWQ和HDFS集群的所有节点上安装了PXF Hive插件。
• 如果配置了Hadoop HA，PXF也必须安装在所有运行NameNode服务的HDFS节点上。
• 所有PXF节点上都安装了Hive客户端。
• 集群所有节点上都安装了Hive JAR文件目录和conf目录。
• 已经测试了PXF访问HDFS。
• 在集群中的一台主机上运行Hive Metastore服务。
• 在NameNode上的hive-site.xml文件中设置了hive.metastore.uris属性。

        看似条件不少，但是如果使用Ambari安装管理HAWQ集群，并安装了Hadoop相关服务，则所有这些前置条件都已自动配置好，不需要任何手工配置。

2. PXF支持的Hive文件格式
        PXF Hive插件支持的Hive文件格式及其访问这些格式对应的profile如表4所示。

文件格式

描述

Profile

TextFile

逗号、tab或空格分隔的平面文件格式或JSON格式。

Hive、HiveText

SequenceFile

二进制键值对组成的平面文件。

Hive

RCFile

记录由键值对组成的列数据，具有行高压缩率。

Hive、HiveRC

ORCFile

优化的列式存储，减小数据大小。

Hive

Parquet

压缩的列式存储。

Hive

Avro

基于schema的、由JSON所定义的序列化格式。

Hive

表4

3. 数据类型映射
        为了在HAWQ中表示Hive数据，需要将使用Hive私有数据类型的数据值映射为等价的HAWQ类型值。表5是对Hive私有数据类型的映射规则汇总。

Hive数据类型

HAWQ数据类型

boolean

bool

int

int4

smallint

int2

tinyint

int2

bigint

int8

float

float4

double

float8

string

text

binary

bytea

timestamp

timestamp

表5
        除简单类型外，Hive还支持array、struct、map等复杂数据类型。由于HAWQ原生不支持这些类型，PXF将它们统一映射为text类型。可以创建HAWQ函数或使用应用程序抽取复杂数据类型子元素的数据。
        下面是一些HAWQ访问Hive表的例子。

4. 准备示例数据
（1）准备数据文件，添加如下记录，用逗号分隔字段。

vi /tmp/pxf_hive_datafile.txtPrague,Jan,101,4875.33Rome,Mar,87,1557.39Bangalore,May,317,8936.99Beijing,Jul,411,11600.67San Francisco,Sept,156,6846.34Paris,Nov,159,7134.56San Francisco,Jan,113,5397.89Prague,Dec,333,9894.77Bangalore,Jul,271,8320.55Beijing,Dec,100,4248.41

（2）创建文本格式的Hive表sales_info

create database test;use test;create table sales_info (location string, month string,        number_of_orders int, total_sales double)        row format delimited fields terminated by ','        stored as textfile;

（3）向sales_info表装载数据

load data local inpath '/tmp/pxf_hive_datafile.txt' into table sales_info;

（4）查询sales_info表数据，验证装载数据成功。

select * from sales_info;

（5）确认sales_info表在HDFS上的位置，在创建HAWQ外部表时需要用到该信息。

describe extended sales_info;...location:hdfs://mycluster/apps/hive/warehouse/test.db/sales_info...

5. 使用PXF和HCatalog查询Hive
        HAWQ可以获取存储在HCatalog中的元数据，通过HCatalog直接访问Hive表，而不用关心Hive表对应的底层文件存储格式。HCatalog建立在Hive metastore之上，包含Hive的DDL语句。使用这种方式的好处是：

• 不须要知道Hive表结构。
• 不须要手工输入Hive表的位置与格式信息。
• 如果表的元数据改变，HCatalog自动提供更新后的元数据。这是使用PXF静态外部表方式无法做到的。

        图2所示HAWQ如何使用HCatalog查询Hive表。

图2

1. HAWQ使用PXF从HCatalog查询表的元数据。
2. HAWQ用查询到的元数据创建一个内存目录表。如果一个查询中多次引用了同一个表，内存目录表可以减少对外部HCatalog的调用次数。
3. PXF使用内存目录表的元数据信息查询Hive表。查询结束后，内存目录表将被删除。

        如果使用Ambari安装管理HAWQ，并且已经启动了Hive服务，则不需要任何额外配置，就可以查询Hive表。

db1=# select * from hcatalog.test.sales_info;   location    | month | number_of_orders | total_sales ---------------+-------+------------------+------------- Prague        | Jan   |              101 |     4875.33 Rome          | Mar   |               87 |     1557.39 Bangalore     | May   |              317 |     8936.99 Beijing       | Jul   |              411 |    11600.67 San Francisco | Sept  |              156 |     6846.34 Paris         | Nov   |              159 |     7134.56 San Francisco | Jan   |              113 |     5397.89 Prague        | Dec   |              333 |     9894.77 Bangalore     | Jul   |              271 |     8320.55 Beijing       | Dec   |              100 |     4248.41(10 rows)

        获取Hive表的字段和数据类型映射。

db1=# \d+ hcatalog.test.sales_info;    PXF Hive Table "test.sales_info"      Column      |  Type  | Source type ------------------+--------+------------- location         | text   | string month            | text   | string number_of_orders | int4   | int total_sales      | float8 | double

        可以使用通配符获取所有Hive库表的信息。

\d+ hcatalog.test.*;\d+ hcatalog.*.*;

        还可以使用pxf_get_item_fields函数获得Hive表的描述信息，该函数目前仅支持Hive profile。

db1=# select * from pxf_get_item_fields('hive','test.sales_info'); path |  itemname  |    fieldname     | fieldtype | sourcefieldtype ------+------------+------------------+-----------+----------------- test | sales_info | location         | text      | string test | sales_info | month            | text      | string test | sales_info | number_of_orders | int4      | int test | sales_info | total_sales      | float8    | double(4 rows)

        pxf_get_item_fields函数同样也支持通配符。

select * from pxf_get_item_fields('hive','test.*');select * from pxf_get_item_fields('hive','*.*');

6. 查询Hive外部表
        使用外部表方式需要标识适当的profile。PXF Hive插件支持三种Hive相关的profile，Hive、HiveText和HiveRC。HiveText和HiveRC分别针对TEXT和RC文件格式做了特别优化，而Hive profile可用于所有PXF支持的Hive文件存储类型。当底层Hive表由多个分区组成，并且分区使用了不同的文件格式，需要使用Hive profile。
        以下语法创建一个HAWQ的Hive外部表：

CREATE EXTERNAL TABLE <table_name>    ( <column_name> <data_type> [, ...] | LIKE <other_table> )LOCATION ('pxf://<host>[:<port>]/<hive-db-name>.<hive-table-name>    ?PROFILE=Hive|HiveText|HiveRC[&DELIMITER=<delim>'])FORMAT 'CUSTOM|TEXT' (formatter='pxfwritable_import' | delimiter='<delim>')

        CREATE EXTERNAL TABLE语句中Hive插件使用关键字和相应值的描述如表6所示。

关键字

值

<host>[:]

HDFS NameNode主机名、端口号

<hive-db-name>

Hive数据库名，如果忽略，缺省是defaults。

<hive-table-name>

Hive表名。

PROFILE

必须是Hive、HiveText或HiveRC之一。

DELIMITER

指定字段分隔符，必须是单个ascii字符或相应字符的十六进制表示。

FORMAT (Hive profile)

必须指定为CUSTOM，仅支持内建的pxfwritable_import格式属性。

FORMAT (HiveText and HiveRC profiles)

必须指定为TEXT，并再次指定字段分隔符。

表6
（1）Hive Profile
        Hive profile适用于任何PXF支持的Hive文件存储格式，它实际上是为底层文件存储类型选择最优的Hive* profile。

db1=# create external table salesinfo_hiveprofile(location text, month text, num_orders int, total_sales float8)db1-#             location ('pxf://hdp1:51200/test.sales_info?profile=hive')db1-#           format 'custom' (formatter='pxfwritable_import');CREATE EXTERNAL TABLEdb1=# db1=# select * from salesinfo_hiveprofile;   location    | month | num_orders | total_sales ---------------+-------+------------+------------- Prague        | Jan   |        101 |     4875.33 Rome          | Mar   |         87 |     1557.39 Bangalore     | May   |        317 |     8936.99 Beijing       | Jul   |        411 |    11600.67 San Francisco | Sept  |        156 |     6846.34 Paris         | Nov   |        159 |     7134.56 San Francisco | Jan   |        113 |     5397.89 Prague        | Dec   |        333 |     9894.77 Bangalore     | Jul   |        271 |     8320.55 Beijing       | Dec   |        100 |     4248.41(10 rows)

        注意外部表和Hcatalog查询计划的区别，如图3所示。

图3

        外部表查询使用了全部24个虚拟段，而Hcatalog查询只使用了1个虚拟段，显然外部表更加有效地利用了资源。

（2）HiveText Profile
        使用HiveText profile时，必须在LOCATION和FORMAT两个子句中都指定分隔符选项。

db1=# create external table salesinfo_hivetextprofile(location text, month text, num_orders int, total_sales float8)db1-# location ('pxf://hdp1:51200/test.sales_info?profile=hivetext&delimiter=,')db1-# format 'text' (delimiter=e',');CREATE EXTERNAL TABLEdb1=# select * from salesinfo_hivetextprofile where location='Beijing'; location | month | num_orders | total_sales ----------+-------+------------+------------- Beijing  | Jul   |        411 |    11600.67 Beijing  | Dec   |        100 |     4248.41(2 rows)

（3）HiveRC Profile
        建立一个rcfile格式的Hive表，并插入数据。

create table sales_info_rcfile (location string, month string,        number_of_orders int, total_sales double)      row format delimited fields terminated by ','      stored as rcfile;  insert into table sales_info_rcfile select * from sales_info;

        查询Hive表。

db1=# create external table salesinfo_hivercprofile(location text, month text, num_orders int, total_sales float8)db1-#              location ('pxf://hdp1:51200/test.sales_info_rcfile?profile=hiverc&delimiter=,')db1-#            format 'text' (delimiter=e',');CREATE EXTERNAL TABLEdb1=# db1=# select location, total_sales from salesinfo_hivercprofile;   location    | total_sales ---------------+------------- Prague        |     4875.33 Rome          |     1557.39 Bangalore     |     8936.99 Beijing       |    11600.67 San Francisco |     6846.34 Paris         |     7134.56 San Francisco |     5397.89 Prague        |     9894.77 Bangalore     |     8320.55 Beijing       |     4248.41(10 rows)

（4）访问Parquet格式的Hive表
        PXF Hive profile支持分区或非分区的Parquet存储格式。建立一个Parquet格式的Hive表，并插入数据。

create table sales_info_parquet (location string, month string,        number_of_orders int, total_sales double)        stored as parquet;insert into sales_info_parquet select * from sales_info;

        查询Hive表。

db1=# create external table salesinfo_parquet (location text, month text, num_orders int, total_sales float8)db1-#     location ('pxf://hdp1:51200/test.sales_info_parquet?profile=hive')db1-#     format 'custom' (formatter='pxfwritable_import');CREATE EXTERNAL TABLEdb1=# db1=# select * from salesinfo_parquet;   location    | month | num_orders | total_sales ---------------+-------+------------+------------- Prague        | Jan   |        101 |     4875.33 Rome          | Mar   |         87 |     1557.39 Bangalore     | May   |        317 |     8936.99 Beijing       | Jul   |        411 |    11600.67 San Francisco | Sept  |        156 |     6846.34 Paris         | Nov   |        159 |     7134.56 San Francisco | Jan   |        113 |     5397.89 Prague        | Dec   |        333 |     9894.77 Bangalore     | Jul   |        271 |     8320.55 Beijing       | Dec   |        100 |     4248.41(10 rows)

7. 复杂数据类型
（1）准备数据文件，添加如下记录，用逗号分隔字段，第三个字段是array类型，第四个字段是map类型。

vi /tmp/pxf_hive_complex.txt3,Prague,1%2%3,zone:euro%status:up89,Rome,4%5%6,zone:euro400,Bangalore,7%8%9,zone:apac%status:pending183,Beijing,0%1%2,zone:apac94,Sacramento,3%4%5,zone:noam%status:down101,Paris,6%7%8,zone:euro%status:up56,Frankfurt,9%0%1,zone:euro202,Jakarta,2%3%4,zone:apac%status:up313,Sydney,5%6%7,zone:apac%status:pending76,Atlanta,8%9%0,zone:noam%status:down

（2）建立Hive表

create table table_complextypes( index int, name string, intarray array<int>, propmap map<string, string>)         row format delimited fields terminated by ','         collection items terminated by '%'         map keys terminated by ':'         stored as textfile;

（3）向Hive表装载数据

load data local inpath '/tmp/pxf_hive_complex.txt' into table table_complextypes;

（4）查询Hive表，验证数据正确导入

select * from table_complextypes;

（5）建立Hive外部表并查询数据

db1=# create external table complextypes_hiveprofile(index int, name text, intarray text, propmap text)db1-#              location ('pxf://hdp1:51200/test.table_complextypes?profile=hive')db1-#            format 'custom' (formatter='pxfwritable_import');CREATE EXTERNAL TABLEdb1=# select * from complextypes_hiveprofile; index |    name    | intarray |              propmap               -------+------------+----------+------------------------------------     3 | Prague     | [1,2,3]  | {"zone":"euro","status":"up"}    89 | Rome       | [4,5,6]  | {"zone":"euro"}   400 | Bangalore  | [7,8,9]  | {"zone":"apac","status":"pending"}   183 | Beijing    | [0,1,2]  | {"zone":"apac"}    94 | Sacramento | [3,4,5]  | {"zone":"noam","status":"down"}   101 | Paris      | [6,7,8]  | {"zone":"euro","status":"up"}    56 | Frankfurt  | [9,0,1]  | {"zone":"euro"}   202 | Jakarta    | [2,3,4]  | {"zone":"apac","status":"up"}   313 | Sydney     | [5,6,7]  | {"zone":"apac","status":"pending"}    76 | Atlanta    | [8,9,0]  | {"zone":"noam","status":"down"}(10 rows)

        可以看到，复杂数据类型都被简单地转化为HAWQ的TEXT类型。

8. 访问Hive分区表
        PXF Hive插件支持Hive的分区特性与目录结构，并且提供了所谓的分区过滤下推功能，可以利用Hive的分区消除特性，以降低网络流量和I/O负载。PXF的分区过滤下推与MySQL的索引条件下推（Index Condition Pushdown，ICP）概念上类似，都是将过滤条件下推至更底层的存储上，以提高性能。
        为了利用PXF的分区过滤下推功能，查询的where子句中应该只使用分区字段。否则，PXF忽略分区过滤，过滤将在HAWQ端执行，影响查询性能。PXF的Hive插件只对分区键执行过滤下推。
        分区过滤下推缺省是启用的：

db1=# show pxf_enable_filter_pushdown; pxf_enable_filter_pushdown ---------------------------- on(1 row)

（1）使用Hive Profile访问同构分区数据
        创建Hive表并装载数据。

create table sales_part (name string, type string, supplier_key int, price double)        partitioned by (delivery_state string, delivery_city string)        row format delimited fields terminated by ',';insert into table sales_part partition(delivery_state = 'CALIFORNIA', delivery_city = 'Fresno') values ('block', 'widget', 33, 15.17);insert into table sales_part partition(delivery_state = 'CALIFORNIA', delivery_city = 'Sacramento') values ('cube', 'widget', 11, 1.17);insert into table sales_part partition(delivery_state = 'NEVADA', delivery_city = 'Reno') values ('dowel', 'widget', 51, 31.82);insert into table sales_part partition(delivery_state = 'NEVADA', delivery_city = 'Las Vegas') values ('px49', 'pipe', 52, 99.82);

        查询sales_part表。

select * from sales_part;

        检查sales_part表在HDFS上的目录结构。

sudo -u hdfs hdfs dfs -ls -R /apps/hive/warehouse/test.db/sales_part

        建立PXF外部表并查询数据。

db1=# create external table pxf_sales_part(db1(#              item_name text, item_type text, db1(#              supplier_key integer, item_price double precision, db1(#              delivery_state text, delivery_city text)db1-#            location ('pxf://hdp1:51200/test.sales_part?profile=hive')db1-#            format 'custom' (formatter='pxfwritable_import');CREATE EXTERNAL TABLEdb1=# select * from pxf_sales_part; item_name | item_type | supplier_key | item_price | delivery_state | delivery_city -----------+-----------+--------------+------------+----------------+--------------- block     | widget    |           33 |      15.17 | CALIFORNIA     | Fresno dowel     | widget    |           51 |      31.82 | NEVADA         | Reno cube      | widget    |           11 |       1.17 | CALIFORNIA     | Sacramento px49      | pipe      |           52 |      99.82 | NEVADA         | Las Vegas(4 rows)

        执行一个非过滤下推的查询。

db1=# select * from pxf_sales_part where delivery_city = 'Sacramento' and item_name = 'cube'; item_name | item_type | supplier_key | item_price | delivery_state | delivery_city -----------+-----------+--------------+------------+----------------+--------------- cube      | widget    |           11 |       1.17 | CALIFORNIA     | Sacramento(1 row)

        该查询会利用Hive过滤delivery_city='Sacramento'的分区，但item_name上的过滤条件不会下推至Hive，因为它不是分区列。当所有Sacramento分区的数据传到HAWQ后，在HAWQ端执行item_name的过滤。
        执行一个过滤下推的查询。

db1=# select * from pxf_sales_part where delivery_state = 'CALIFORNIA'; item_name | item_type | supplier_key | item_price | delivery_state | delivery_city -----------+-----------+--------------+------------+----------------+--------------- cube      | widget    |           11 |       1.17 | CALIFORNIA     | Sacramento block     | widget    |           33 |      15.17 | CALIFORNIA     | Fresno(2 rows)

（2）使用Hive Profile访问异构分区数据
        一个Hive表中的不同分区可能有不同的存储格式，PXF Hive profile也支持这种情况。
        建立Hive表。

$ HADOOP_USER_NAME=hdfs hivecreate external table hive_multiformpart( location string, month string, number_of_orders int, total_sales double)        partitioned by( year string )        row format delimited fields terminated by ',';

        记下sales_info和sales_info_rcfile表在HDFS中的位置。

describe extended sales_info;describe extended sales_info_rcfile;

        在我的环境中两个表的目录分别是：

location:hdfs://mycluster/apps/hive/warehouse/test.db/sales_infolocation:hdfs://mycluster/apps/hive/warehouse/test.db/sales_info_rcfile

        给hive_multiformpart表增加两个分区，位置分别指向sales_info和sales_info_rcfile

alter table hive_multiformpart add partition (year = '2013') location 'hdfs://mycluster/apps/hive/warehouse/test.db/sales_info';alter table hive_multiformpart add partition (year = '2016') location 'hdfs://mycluster/apps/hive/warehouse/test.db/sales_info_rcfile';

        显式标识与sales_info_rcfile表对应分区的文件格式。

alter table hive_multiformpart partition (year='2016') set fileformat rcfile;

        此时查看两个分区的存储格式可以看到，sales_info表对应的分区使用的是缺省的TEXTFILE格式，而sales_info_rcfile表对应的分区是RCFILE格式，分别如图4、图5所示。

show partitions hive_multiformpart;desc formatted hive_multiformpart partition(year=2013);  desc formatted hive_multiformpart partition(year=2016); 

图4

图5 

        使用Hcatalog方式查询hive_multiformpart表。

db1=# select * from hcatalog.test.hive_multiformpart;   location    | month | number_of_orders | total_sales | year ---------------+-------+------------------+-------------+------... Prague        | Dec   |              333 |     9894.77 | 2013 Bangalore     | Jul   |              271 |     8320.55 | 2013 Beijing       | Dec   |              100 |     4248.41 | 2013 Prague        | Jan   |              101 |     4875.33 | 2016 Rome          | Mar   |               87 |     1557.39 | 2016 Bangalore     | May   |              317 |     8936.99 | 2016 ...(20 rows)

        使用外部表方式查询hive_multiformpart表。

db1=# create external table pxf_multiformpart(location text, month text, num_orders int, total_sales float8, year text)db1-#              location ('pxf://hdp1:51200/test.hive_multiformpart?profile=hive')db1-#            format 'custom' (formatter='pxfwritable_import');CREATE EXTERNAL TABLEdb1=# select * from pxf_multiformpart;   location    | month | num_orders | total_sales | year ---------------+-------+------------+-------------+------...  Prague        | Dec   |        333 |     9894.77 | 2013 Bangalore     | Jul   |        271 |     8320.55 | 2013 Beijing       | Dec   |        100 |     4248.41 | 2013 Prague        | Jan   |        101 |     4875.33 | 2016 Rome          | Mar   |         87 |     1557.39 | 2016 Bangalore     | May   |        317 |     8936.99 | 2016...(20 rows)db1=# select sum(num_orders) from pxf_multiformpart where month='Dec' and year='2013'; sum ----- 433(1 row)

四、访问JSON数据
        PXF的JSON插件用于读取存储在HDFS上的JSON文件，支持N层嵌套。为了使用HAWQ访问JSON数据，必须将JSON文件存储在HDFS上，并从HDFS数据存储创建外部表。在使用PXF访问JSON文件前，确认满足以下前提条件：

• 已经在集群所有节点上安装了HDFS插件（Ambari会自动安装）。
• 已经在集群所有节点上安装了JSON插件（Ambari会自动安装）。
• 已经测试了PXF对HDFS的访问。

1. PXF与JSON文件协同工作
        JSON是一种基于文本的数据交换格式，其数据通常存储在一个以.json为后缀的文件中。一个.json文件包含一组对象的集合，一个JSON对象是一组无序的名/值对，值可以是字符串、数字、true、false、null，或者一个对象或数组。对象和数组可以嵌套。例如，下面是一个JSON数据文件的内容：

{  "created_at":"MonSep3004:04:53+00002013",  "id_str":"384529256681725952",  "user": {    "id":31424214,     "location":"COLUMBUS"  },  "coordinates":null}

（1）JSON到HAWQ的数据类型映射
        为了在HAWQ中表示JSON数据，需要将使用私有数据类型的JSON值映射为等价的HAWQ数据类型值。表7是对JSON数据映射规则的总结。

JSON数据类型

HAWQ数据类型

integer、float、string、boolean

使用对应的HAWQ内建数据类型（integer、real、double precision、char、varchar、text、boolean）

Array

使用[]标识一个特定数组中具有私有数据类型成员的下标。

Object

使用 . 点标识符指定每个级别的具有私有数据类型的嵌套成员。

表7
（2）JSON文件读模式
        PXF的JSON插件用两个模式之一读取数据。缺省模式是每行一个完整的JSON记录，同时也支持对多行构成的JSON记录的读操作。下面是每种读模式的例子。示例schema包含数据列的名称和数据类型如下：

• “created_at” - text
• “id_str” - text
• “user” - object（“id” - integer，“location” - text）
• “coordinates” - object（“type” - text，“values” - array（integer））

        例1 - 每行一条JSON记录的读模式：

{"created_at":"FriJun0722:45:03+00002013","id_str":"343136551322136576","user":{"id":395504494,"location":"NearCornwall"},"coordinates":{"type":"Point","values": [ 6, 50 ]}},{"created_at":"FriJun0722:45:02+00002013","id_str":"343136547115253761","user":{"id":26643566,"location":"Austin,Texas"}, "coordinates": null},{"created_at":"FriJun0722:45:02+00002013","id_str":"343136547136233472","user":{"id":287819058,"location":""}, "coordinates": null}

        例2 - 多行JSON记录读模式：

{  "root":[    {      "record_obj":{        "created_at":"MonSep3004:04:53+00002013",        "id_str":"384529256681725952",        "user":{          "id":31424214,          "location":"COLUMBUS"        },        "coordinates":null      },      "record_obj":{        "created_at":"MonSep3004:04:54+00002013",        "id_str":"384529260872228864",        "user":{          "id":67600981,          "location":"KryberWorld"        },        "coordinates":{          "type":"Point",          "values":[             8,             52          ]        }      }    }  ]}

        下面从PXF的JSON外部表查询上面的示例数据。

3. 将JSON数据装载到HDFS
        PXF的JSON插件读取存储在HDFS中的JSON文件。因此在HAWQ查询JSON数据前，必须先将JSON文件传到HDFS上。将前面的单行和多行JSON记录分别保存到singleline.json和multiline.json文件中，而且确保JSON文件中没有空行，然后将文件传到HDFS。

su - hdfshdfs dfs -mkdir /user/datahdfs dfs -chown -R gpadmin:gpadmin /user/datahdfs dfs -put singleline.json /user/datahdfs dfs -put multiline.json /user/data

        文件传到HDFS后，就可以通过HAWQ查询JSON数据。

4. 查询外部的JSON数据
        使用下面的语法创建一个表示JSON数据的HAWQ外部表。

CREATE EXTERNAL TABLE <table_name>     ( <column_name> <data_type> [, ...] | LIKE <other_table> )LOCATION ( 'pxf://<host>[:<port>]/<path-to-data>?PROFILE=Json[&IDENTIFIER=<value>]' )      FORMAT 'CUSTOM' ( FORMATTER='pxfwritable_import' );

        CREATE EXTERNAL TABLE语句中使用的各个关键字和相应值的描述如表8所示。

关键字

值

<host>[:<port>]

HDFS NameNode主机名、端口。

PROFILE

PROFILE关键字必须指定为Json。

IDENTIFIER

只有当JSON文件是多行记录格式时，LOCATION字符串中才包含IDENTIFIER关键字及其对应的值。<value>应该标识用以确定一个返回的JSON对象的成员名称，例如上面的示例2中，应该指定&IDENTIFIER=created_at。

FORMAT

FORMAT子句必须指定为CUSTOM。

FORMATTER

JSON 'CUSTOM'格式只支持内建的'pxfwritable_import'格式属性。

表8
        创建一个基于单行记录的JSON外部表。

create external table sample_json_singleline_tbl(  created_at text,  id_str text,  text text,  "user.id" integer,  "user.location" text,  "coordinates.values[0]" integer,  "coordinates.values[1]" integer)location('pxf://hdp1:51200/user/data/singleline.json?profile=json')format 'custom' (formatter='pxfwritable_import');select * from sample_json_singleline_tbl;

        查询结果如图6所示。

图6

        注意，原来JSON中的嵌套数据都被平面化展开。在查询结果中，使用 . 访问嵌套user对象（user.id和user.location），使用 [] 访问coordinates.values数组的元素（coordinates.values[0]和coordinates.values[1]）。
        多行记录的JSON外部表与单行的类似，只是需要指定identifier，指定标识记录的键。

db1=# create external table sample_json_multiline_tbl(db1(#   created_at text,db1(#   id_str text,db1(#   text text,db1(#   "user.id" integer,db1(#   "user.location" text,db1(#   "coordinates.values[0]" integer,db1(#   "coordinates.values[1]" integerdb1(# )db1-# location('pxf://hdp1:51200/user/data/multiline.json?profile=json&identifier=created_at')db1-# format 'custom' (formatter='pxfwritable_import');CREATE EXTERNAL TABLEdb1=# select * from sample_json_multiline_tbl;        created_at         |       id_str       | text | user.id  | user.location | coordinates.values[0] | coordinates.values[1] ---------------------------+--------------------+------+----------+---------------+-----------------------+----------------------- MonSep3004:04:53+00002013 | 384529256681725952 |      | 31424214 | COLUMBUS      |                       |                       MonSep3004:04:54+00002013 | 384529260872228864 |      | 67600981 | KryberWorld   |                     8 |                    52(2 rows)

五、向HDFS中写入数据
        PXF只能向HDFS文件中写入数据，而对Hive、HBase和JSON等外部数据都是只读的。在使用PXF向HDFS文件写数据前，确认已经在集群所有节点上安装了PXF HDFS插件（Ambari会自动安装），并授予了HAWQ用户（典型的是gpadmin）对HDFS文件相应的读写权限。

1. 写PXF外部表
        PXF HDFS插件支持两种可写的profile：HdfsTextSimple和SequenceWritable。创建HAWQ可写外部表的语法如下：

CREATE WRITABLE EXTERNAL TABLE <table_name>     ( <column_name> <data_type> [, ...] | LIKE <other_table> )LOCATION ('pxf://<host>[:<port>]/<path-to-hdfs-file>    ?PROFILE=HdfsTextSimple|SequenceWritable[&<custom-option>=<value>[...]]')FORMAT '[TEXT|CSV|CUSTOM]' (<formatting-properties>);

        CREATE EXTERNAL TABLE语句中使用的各个关键字和相应值的描述如表9所示。

关键字

值

<host>[:<port>]

HDFS NameNode主机名、端口。

<path-to-hdfs-file>

HDFS文件路径。

PROFILE

PROFILE关键字指定为HdfsTextSimple或SequenceWritable。

<custom-option>

与特定PROFILE对应的定制选项。

FORMAT 'TEXT'

当<path-to-hdfs-file>指向一个单行固定分隔符的平面文件时，使用该关键字。

FORMAT 'CSV'

当<path-to-hdfs-file>指向一个单行或多行的逗号分隔值（CSV）平面文件时，使用该关键字。

FORMAT 'CUSTOM'

SequenceWritable profile使用该关键字。SequenceWritable 'CUSTOM'格式仅支持内建的formatter='pxfwritable_export（写）和formatter='pxfwritable_import（读）格式属性。

表9

3. 定制选项
        HdfsTextSimple和SequenceWritable profile支持表10所示的定制选项：

选项

值描述

Profile

COMPRESSION_CODEC

压缩编解码对应的Java类名。如果不提供，不会执行数据压缩。支持的压缩编解码包括：org.apache.hadoop.io.compress.DefaultCodec和org.apache.hadoop.io.compress.BZip2Codec

HdfsTextSimple、SequenceWritable

COMPRESSION_CODEC

org.apache.hadoop.io.compress.GzipCodec

HdfsTextSimple

COMPRESSION_TYPE

使用的压缩类型，支持的值为RECORD（缺省）或BLOCK。

HdfsTextSimple、SequenceWritable

DATA-SCHEMA

写入器的序列化/反序列化类名。类所在的jar文件必须在PXF classpath中。该选项被SequenceWritable profile使用，并且没有缺省值。

SequenceWritable

THREAD-SAFE

该Boolean值决定表查询是否运行在多线程模式，缺省值为TRUE。

HdfsTextSimple、SequenceWritable

表10

4. 使用HdfsTextSimple Profile写数据
        HdfsTextSimple profile用于向单行每记录（不含内嵌换行符）的固定分隔符平面文件写数据。使用HdfsTextSimple Profile的建立可写表时，可以选择记录或块压缩，支持以下压缩编解码方法。

• org.apache.hadoop.io.compress.DefaultCodec
• org.apache.hadoop.io.compress.GzipCodec
• org.apache.hadoop.io.compress.BZip2Codec

        HdfsTextSimple profile支持的格式属性为'delimiter'，标识字段分隔符，缺省值为逗号（,）。
（1）创建可写外部表，数据写到HDFS的/data/pxf_examples/pxfwritable_hdfs_textsimple1目录中，字段分隔符为逗号。

create writable external table pxf_hdfs_writabletbl_1(location text, month text, num_orders int, total_sales float8)            location ('pxf://hdp1:51200/data/pxf_examples/pxfwritable_hdfs_textsimple1?profile=hdfstextsimple')          format 'text' (delimiter=e',');

（2）向pxf_hdfs_writabletbl_1表插入数据。

insert into pxf_hdfs_writabletbl_1 values ( 'Frankfurt', 'Mar', 777, 3956.98 );insert into pxf_hdfs_writabletbl_1 values ( 'Cleveland', 'Oct', 3812, 96645.37 );insert into pxf_hdfs_writabletbl_1 select * from pxf_hdfs_textsimple;

（3）查看HDFS文件的内容。

[hdfs@hdp1 ~]$ hdfs dfs -cat /data/pxf_examples/pxfwritable_hdfs_textsimple1/*Frankfurt,Mar,777,3956.98Cleveland,Oct,3812,96645.37Prague,Jan,101,4875.33Rome,Mar,87,1557.39Bangalore,May,317,8936.99Beijing,Jul,411,11600.67[hdfs@hdp1 ~]$ hdfs dfs -ls /data/pxf_examples/pxfwritable_hdfs_textsimple1Found 3 items-rw-r--r--   3 pxf gpadmin         26 2017-03-22 10:45 /data/pxf_examples/pxfwritable_hdfs_textsimple1/236002_0-rw-r--r--   3 pxf gpadmin         28 2017-03-22 10:45 /data/pxf_examples/pxfwritable_hdfs_textsimple1/236003_0-rw-r--r--   3 pxf gpadmin         94 2017-03-22 10:46 /data/pxf_examples/pxfwritable_hdfs_textsimple1/236004_15[hdfs@hdp1 ~]$ hdfs dfs -cat /data/pxf_examples/pxfwritable_hdfs_textsimple1/236002_0Frankfurt,Mar,777,3956.98[hdfs@hdp1 ~]$ hdfs dfs -cat /data/pxf_examples/pxfwritable_hdfs_textsimple1/236003_0Cleveland,Oct,3812,96645.37[hdfs@hdp1 ~]$ hdfs dfs -cat /data/pxf_examples/pxfwritable_hdfs_textsimple1/236004_15Prague,Jan,101,4875.33Rome,Mar,87,1557.39Bangalore,May,317,8936.99Beijing,Jul,411,11600.67[hdfs@hdp1 ~]$

        可以看到，一共写入了6条记录，生成了3个文件。其中两个文件各有1条记录，另外一个文件中有4条记录，记录以逗号作为字段分隔符。
（4）查询可写外部表
        HAWQ不支持对可写外部表的查询。为了查询可写外部表的数据，需要建立一个可读外部表，指向HDFS的相应文件。

db1=# select * from pxf_hdfs_writabletbl_1;ERROR:  External scan error: It is not possible to read from a WRITABLE external table. Create the table as READABLE instead. (CTranslatorDXLToPlStmt.cpp:1041)db1=# create external table pxf_hdfs_textsimple_r1(location text, month text, num_orders int, total_sales float8)db1-#             location ('pxf://hdp1:51200/data/pxf_examples/pxfwritable_hdfs_textsimple1?profile=hdfstextsimple')db1-#             format 'csv';CREATE EXTERNAL TABLEdb1=# select * from pxf_hdfs_textsimple_r1; location  | month | num_orders | total_sales -----------+-------+------------+------------- Cleveland | Oct   |       3812 |    96645.37 Frankfurt | Mar   |        777 |     3956.98 Prague    | Jan   |        101 |     4875.33 Rome      | Mar   |         87 |     1557.39 Bangalore | May   |        317 |     8936.99 Beijing   | Jul   |        411 |    11600.67(6 rows)

（5）建立一个使用Gzip压缩，并用冒号（:）做字段分隔符的可写外部表，注意类名区分大小写。

create writable external table pxf_hdfs_writabletbl_2 (location text, month text, num_orders int, total_sales float8) location ('pxf://hdp1:51200/data/pxf_examples/pxfwritable_hdfs_textsimple2?profile=hdfstextsimple&compression_codec=org.apache.hadoop.io.compress.GzipCodec') format 'text' (delimiter=e':');

（6）插入数据

insert into pxf_hdfs_writabletbl_2 values ( 'Frankfurt', 'Mar', 777, 3956.98 );insert into pxf_hdfs_writabletbl_2 values ( 'Cleveland', 'Oct', 3812, 96645.37 );

（7）使用-text参数查看压缩的数据

[hdfs@hdp1 ~]$ hdfs dfs -text /data/pxf_examples/pxfwritable_hdfs_textsimple2/*Frankfurt:Mar:777:3956.98Cleveland:Oct:3812:96645.37[hdfs@hdp1 ~]$

        可以看到刚插入的两条记录，记录以冒号作为字段分隔符。

七、删除外部表
        使用drop external table <table_name>语句删除外部表，该语句并不删除外部数据，因为外部数据不是由HAWQ管理的。