消减Spark Insert Overwrite自读自写风险

场景说明

对于目的表，需要使用动态分区插入（使用历史分区更新），且目的表和数据源表都是同一张表。

由于直接在源表上执行insert overwrite可能会导致数据丢失或数据不一致的风险，建议将作业拆解为2个子作业进行处理，从而保证每次作业重复执行结果都一致。

• 作业1：新建临时表，将结果数据写入临时表。
• 作业2：将临时表数据写入源表和删除临时表。

操作步骤

假设存在如下一张表：

user_data(user_group int, user_name string, update_time timestamp);

其中user_group是分区列，现在需要根据已有数据，按更新时间进行排序，刷新用户组信息。

任务1：新建临时表，将结果数据写临时表。

1. 开启Hive动态分区参数。

   set hive.exec.dynamic.partition=true;
   set hive.exec.dynamic.partition.mode=nonstrict;

2. 创建一个临时表存储去重后的数据。

   CREATE TABLE temp_user_data AS
   SELECT * FROM (
   SELECT *,
   ROW_NUMBER() OVER(PARTITION BY user_group ORDER BY update_time DESC) as rank
   FROM user_data
   ) tmp
   WHERE rank = 1;

任务2：将临时表数据写入源表和删除临时表。

1. 使用临时数据作为数据源，插入目的表。

   INSERT OVERWRITE TABLE user_data
   SELECT user_group, user_name, update_time
   FROM temp_user_data;

2. 清理临时表。

   DROP TABLE IF EXISTS temp_user_data;