Monthly Archives: September 2017

功能 当前线上系统情况： hadoop集群小文件数太多 hive的meta存储压力，有hive分区表有75W+分区 释放非必要存储资源，中间层的数据较容易重新生成 规范业务Hive使用，数据治理 名词： 路径不规范： 库路径无重合 库路径下不能有其它库 库路径必须在库所有者目录（/user/{Database.getOwnerName()}/…）下 表是在所在库路径下 表路径下不能有其它库 表路径下不能有其它表 表路径必须在表所有者目录（/user/{Table.getOwnerName()}/…）下 TTL: 数据保留时间（单位：天） LEVEL:数据级别（0：永久保留；1：需要进行生命周期） 需要实现的功能： 新建表将纳入生命周期，增加库表TTL和LEVEL的设置功能 新建表未指定生命周期会使用默认值，默认生命周期会删除60天前未更新的数据，除非新建表对应的库设置了生命周期，此种情况下，新建表会继承对应库的生命周期，建议创建表时设置，避免数据误删除；配置方式：CREATE EXTERNAL TABLE guoguo.t_test_02(id string) … TBLPROPERTIES (‘LEVEL’=’1′,’TTL’=’70’) 配置了生命周期的非分区表到期会Drop表，分区表则只Drop分区 判断数据更新时间的标准是： 1）表分区元数据更新时间，2)表分区对应的hdfs数据更新时间 取两者的最大值做为数据更新的时间 生命周期清理数据时基于数据更新时间后推ttl天清理 数据安全方案 邮件：执行删除前一周会分别和库、表的所有者发送其负责的待删除的库、表的通知 邮件：执行日报，每天把当天执行的情况汇总按需发给管理员，库所有者，表所有者 邮件：路径不规范的库和表，不会进行处理，并每天有报警邮件，会给相关负责人发送，提醒业务整改 备份：清理数据是先移动数据到每天生成的一个处理备份目录，然后再清理元数据 hive有内部表和外部表之分，内部表删除会影响内部表的元数据和底层数据存储，为保持处理一致，不采用只删除元数据，到期再清理数据的方案 移动数据会把meta信息和权限信息一同带到备份目录 … Continue reading →