Apache Tajo - 表管理

表是一个数据源的逻辑视图。它由逻辑架构、分区、URL 和各种属性组成。Tajo 表可以是 HDFS 中的一个目录、单个文件、一个 HBase 表或一个 RDBMS 表。

Tajo 支持以下两种类型的表 -

  • 外部表
  • 内表

外部表

外部表在创建时需要位置属性。例如，如果您的数据已作为文本/JSON 文件或 HBase 表存在，则可以将其注册为 Tajo 外部表。

以下查询是外部表创建的示例。

create external table sample(col1 int,col2 text,col3 int) location ‘hdfs://path/to/table';

这里，

  • 外部关键字- 用于创建外部表。这有助于在指定位置创建表。

  • Sample指的是表名。

  • 位置- 它是 HDFS、Amazon S3、HBase 或本地文件系统的目录。要为目录分配位置属性，请使用以下 URI 示例 -

    • HDFS - hdfs://localhost:端口/路径/到/表

    • Amazon S3 - s3://bucket-name/table

    • 本地文件系统- file:///path/to/table

    • Openstack Swift - swift://bucket-name/table

表属性

外部表具有以下属性 -

  • TimeZone - 用户可以指定读取或写入表的时区。

  • 压缩格式- 用于使数据大小紧凑。例如，text/json 文件使用compression.codec属性。

内表

内部表也称为托管表。它是在称为表空间的预定义物理位置中创建的。

句法

create table table1(col1 int,col2 text);

默认情况下，Tajo 使用位于“conf/tajo-site.xml”中的“tajo.warehouse.directory”。要为表分配新位置，您可以使用表空间配置。

表空间

表空间用于定义存储系统中的位置。仅内部表支持它。您可以通过表空间的名称来访问它们。每个表空间可以使用不同的存储类型。如果您不指定表空间，Tajo 将使用根目录中的默认表空间。

表空间配置

您在 Tajo 中有“conf/tajo-site.xml.template”。复制文件并将其重命名为“storagesite.json”。该文件将充当表空间的配置。Tajo 数据格式使用以下配置 -

HDFS配置

$ vi conf/storage-site.json { 
   "spaces": {  
      "${tablespace_name}": {  
         "uri": “hdfs://localhost:9000/path/to/Tajo"  
      } 
   } 
}

HBase配置

$ vi conf/storage-site.json { 
   "spaces": {  
      "${tablespace_name}": {  
         "uri": “hbase:zk://quorum1:port,quorum2:port/"  
      } 
   } 
}

文本文件配置

$ vi conf/storage-site.json { 
   "spaces": {  
      "${tablespace_name}": {  
         “uri”: “hdfs://localhost:9000/path/to/Tajo” 
      } 
   } 
}

表空间创建

Tajo 的内表记录只能从另一个表访问。您可以使用表空间对其进行配置。

句法

CREATE TABLE [IF NOT EXISTS] <table_name> [(column_list)] [TABLESPACE tablespace_name] 
[using <storage_type> [with (<key> = <value>, ...)]] [AS <select_statement>]

这里，

  • IF NOT EXISTS - 如果尚未创建相同的表，这可以避免错误。

  • TABLESPACE - 此子句用于分配表空间名称。

  • 存储类型- Tajo 数据支持文本、JSON、HBase、Parquet、Sequencefile 和 ORC 等格式。

  • AS select 语句- 从另一个表中选择记录。

配置表空间

启动 Hadoop 服务并打开文件“conf/storage-site.json”，然后添加以下更改 -

$ vi conf/storage-site.json { 
   "spaces": {  
      “space1”: {  
         "uri": “hdfs://localhost:9000/path/to/Tajo" 
      } 
   } 
}

在这里，Tajo 将引用 HDFS 位置的数据，space1是表空间名称。如果不启动Hadoop服务，则无法注册表空间。

询问

default> create table table1(num1 int,num2 text,num3 float) tablespace space1;

上面的查询创建了一个名为“table1”的表，“space1”指的是表空间名称。

数据格式

Tajo 支持数据格式。让我们一一详细了解每种格式。

文本

字符分隔值的纯文本文件表示由行和列组成的表格数据集。每行都是纯文本行。

创建表

default> create external table customer(id int,name text,address text,age int) 
   using text with('text.delimiter'=',') location ‘file:/Users/workspace/Tajo/customers.csv’;

这里，“customers.csv”文件是指位于 Tajo 安装目录中的逗号分隔值文件。

要使用文本格式创建内部表，请使用以下查询 -

default> create table customer(id int,name text,address text,age int) using text;

在上面的查询中，您没有分配任何表空间，因此它将采用 Tajo 的默认表空间。

特性

文本文件格式具有以下属性 -

  • text.delimiter - 这是一个分隔符。默认为“|”。

  • Compression.codec - 这是一种压缩格式。默认情况下，它是禁用的。您可以使用指定的算法更改设置。

  • timezone - 用于读取或写入的表。

  • text.error-tolerance.max-num - 容差级别的最大数量。

  • text.skip.headerlines - 每次跳过的标题行数。

  • text.serde - 这是序列化属性。

JSON

Apache Tajo 支持 JSON 格式来查询数据。Tajo 将 JSON 对象视为 SQL 记录。一个对象等于 Tajo 表中的一行。让我们考虑“array.json”，如下所示 -

$ hdfs dfs -cat /json/array.json { 
   "num1" : 10, 
   "num2" : "simple json array", 
   "num3" : 50.5 
}

创建此文件后，切换到 Tajo shell 并键入以下查询以使用 JSON 格式创建表。

询问

default> create external table sample (num1 int,num2 text,num3 float) 
   using json location ‘json/array.json’;

始终记住文件数据必须与表架构匹配。否则，您可以省略列名称并使用 *，这不需要列列表。

要创建内部表，请使用以下查询 -

default> create table sample (num1 int,num2 text,num3 float) using json;

实木复合地板

Parquet 是一种列式存储格式。Tajo 使用 Parquet 格式实现轻松、快速、高效的访问。

表创建

以下查询是创建表的示例 -

CREATE TABLE parquet (num1 int,num2 text,num3 float) USING PARQUET;

Parquet 文件格式具有以下属性 -

  • parquet.block.size - 内存中缓冲的行组的大小。

  • parquet.page.size - 页面大小用于压缩。

  • parquet.compression - 用于压缩页面的压缩算法。

  • parquet.enable.dictionary - 布尔值用于启用/禁用字典编码。

RC文件

RCFile 是记录列式文件。它由二进制键/值对组成。

表创建

以下查询是创建表的示例 -

CREATE TABLE Record(num1 int,num2 text,num3 float) USING RCFILE;

RCFile 具有以下属性 -

  • rcfile.serde - 自定义反序列化器类。

  • Compression.codec - 压缩算法。

  • rcfile.null - NULL 字符。

序列文件

SequenceFile 是 Hadoop 中的基本文件格式，由键/值对组成。

表创建

以下查询是创建表的示例 -

CREATE TABLE seq(num1 int,num2 text,num3 float) USING sequencefile;

该序列文件具有 Hive 兼容性。这可以在 Hive 中写成：

CREATE TABLE table1 (id int, name string, score float, type string) 
STORED AS sequencefile;

兽人

ORC（优化行列式）是 Hive 的列式存储格式。

表创建

以下查询是创建表的示例 -

CREATE TABLE optimized(num1 int,num2 text,num3 float) USING ORC;

ORC 格式具有以下属性 -

  • orc.max.merge.distance - 读取 ORC 文件，当距离较小时进行合并。

  • orc.stripe.size - 这是每个条带的大小。

  • orc.buffer.size - 默认为 256KB。

  • orc.rowindex.stride - 这是 ORC 索引跨度（以行数为单位）。