AWS Athena 中的文件系统上缺少表

我在 Athena 上使用此代码创建了一个具有自动分区的表。

CREATE EXTERNAL TABLE IF NOT EXISTS matchdata.stattable (
  `matchResult` string,
  ...
) PARTITIONED BY (
  year int ,
  month int,
  day int
)
ROW FORMAT SERDE 'org.openx.data.jsonserde.JsonSerDe'
WITH SERDEPROPERTIES (
  'serialization.format' = '1'
) LOCATION 's3://******/data/year=2019/month=8/day=2/'
TBLPROPERTIES ('has_encrypted_data'='false');

我跑了MSCK REPAIR TABLE 可统计，但文件系统上缺少表，查询结果是返回零记录。 matchdata.stattable 得到相同的结果。

另一个没有分区的表，查询工作正常。但随着服务的继续和数据集的增长，我必须进行分区。

示例数据路径为 data/2019/8/2/1SxFHaUeHfesLtPs._BjDk.gz。我该如何解决这个问题？

正如您所发现的（但为有相同问题的人提供了更多背景信息）MSCK REPAIR TABLE …只理解 Hive 风格的分区，例如/data/year=2019/month=08/day=10/file.json。该命令的真正作用是扫描 S3 上与表的对应的前缀LOCATION指令并查找类似的路径组件。

这只是一个限制MSCK REPAIR TABLE …，您可以手动添加具有其他路径样式的分区，如下所示：

ALTER TABLE the_table ADD PARTITION (year = '2019', month = '08', day = '10') LOCATION 's3://some-bucket/data/2019/08/10/'

另请参阅https://docs.aws.amazon.com/athena/latest/ug/alter-table-add-partition.html https://docs.aws.amazon.com/athena/latest/ug/alter-table-add-partition.html

我什至想说你应该避免使用MSCK REPAIR TABLE …共。它很慢，并且分区越多，速度只会变得更慢。运行效率更高ALTER TABLE … ADD PARTITION …当您在 S3 上添加新数据时，因为您知道刚刚添加的内容以及它在哪里，所以不需要告诉 Athena 扫描整个前缀。直接使用 Glue API 速度更快，但不幸的是，这需要更多代码。