Я использую Kinesis Firehose для буферизации данных IoT и записываю их в s3. Firehose записывает буферы в s3 в формате s3://bucket.me.com/YYYY/MM/DD/HH
Данные, поступающие в 10:59, могут быть буферизованы Firehose и не записываться до 11:00 (s3://bucket.me.com/2017/03/09/11
).
Проблема в том, что при создании разделов для Athena раздел для 10-го часа не будет содержать все данные для 10-го часа, потому что он находится на пути 11-го часа.
Вот пример, который лучше иллюстрирует:
IoT отправляет следующие данные в Firehose, который в 2a записывает их в s3://bucket.me.com/2017/03/24/02/file-0000
. Содержимое файла выглядит так:
{"id":1,"dt":"2017-03-24 01:59:40"}
{"id":2,"dt":"2017-03-24 01:59:41"}
{"id":3,"dt":"2017-03-24 01:59:42"}
Затем я создаю таблицу Athena:
CREATE EXTERNAL TABLE sensor_data (
id string,
dt timestamp)
PARTITIONED BY (year int, month int, day int, hour int)
ROW FORMAT serde 'org.apache.hive.hcatalog.data.JsonSerDe'
LOCATION 's3://bucket.me.com/';
ALTER TABLE sensor_data ADD PARTITION (year=2017,month=3,day=24,hour=1) location 's3://bucket.me.com/2017/03/24/01/';
ALTER TABLE sensor_data ADD PARTITION (year=2017,month=3,day=24,hour=2) location 's3://bucket.me.com/2017/03/24/02/';
Когда я запускаю select * from sensor_data where hour = 1
, я не получу 3 записи выше, потому что он будет читать только из пути s3, определенного для раздела hour=1
(и 3 записи действительно находятся в разделе hour=2
).
Как избежать этой проблемы?