hive on tez为什么写表时，要写临时文件到hdfs目录

hive on tez为什么写表时，要写临时文件到hdfs目录

在Hive on Tez架构中，写表时将数据先写入HDFS临时目录，是保障数据一致性、支持容错重试、适配DAG计算模型的核心设计，本质是为了解决“计算过程不确定性”与“目标表数据完整性”之间的矛盾。以下从5个核心维度详细解释其原因：

1. 核心目标：保证写表操作的原子性

Hive写表（如INSERT INTO/OVERWRITE）需要满足原子性——即操作要么“完全成功”（数据完整写入目标表），要么“完全失败”（目标表无任何脏数据），不允许“部分写入”的中间状态。
而直接写入目标表会存在致命问题：若计算过程中（如Tez任务崩溃、节点宕机）中断，目标表会残留不完整的“脏数据”，且无法回滚。

临时文件的解决方案：

• 计算过程中，Tez将结果先写入HDFS的临时目录（默认路径由hive.exec.tmp.dir配置，或目标表目录下的.tmp子目录）；
• 待整个Tez DAG任务（所有Stage）完全执行成功后，通过HDFS的原子性rename操作，将临时目录的完整数据“移动”到目标表的正式目录（如/user/hive/warehouse/table_name）；
• 若任务失败，直接删除临时目录的部分数据，目标表完全不受影响。

关键原理：HDFS的rename是元数据级操作（仅修改目录引用，不移动实际数据块），具备天然原子性——要么rename成功（数据可见），要么失败（临时目录保留，目标表不变）。

2. 适配Tez的DAG模型：存储中间计算结果

Tez是基于“有向无环图（DAG）”的计算框架，Hive on Tez会将SQL解析为多个Stage（计算阶段） ，且Stage间存在依赖关系（如“先过滤→再聚合→最后Join”）。

这些Stage无法直接将结果写入目标表，必须通过临时文件传递数据：

• 前一个Stage的输出（如聚合后的中间结果），会先写入临时目录，作为下一个Stage的输入；
• 临时目录会按Stage ID、任务ID（Task ID）划分子目录（如tmp/stage-1/_task0），避免不同Stage的数据互相干扰；
• 最终所有Stage执行完成后，才会将“最终结果”的临时目录合并并写入目标表。

例如：执行INSERT OVERWRITE table t SELECT a.id, sum(b.val) FROM a JOIN b ON a.id = b.id GROUP BY a.id时，Tez会拆分为“Join Stage”→“Aggregation Stage”，两个Stage的中间结果均存储在临时目录，最后由Aggregation Stage的输出临时目录生成目标表数据。

3. 支持容错与重试，降低重复计算成本

Tez作为分布式计算框架，任务失败是常态（如节点宕机、内存溢出、网络波动）。临时文件的存在，能大幅降低失败后的重试成本：

• 若某个Stage失败，Tez仅需重试“失败的Stage”，而无需重新计算所有前置Stage——因为前置Stage的成功结果已保存在临时目录，可直接复用；
• 若没有临时文件，失败后需从头重新执行整个DAG任务，尤其对于大表计算，会造成巨大的资源浪费和时间延迟。

例如：一个包含5个Stage的任务，若第4个Stage失败，Tez可直接读取Stage 1-3的临时文件结果，仅重试Stage 4和5，而非重新执行1-5。

4. 处理数据格式转换与表结构适配

Hive支持多种存储格式（ORC、Parquet、TextFile、SequenceFile）和表类型（分区表、分桶表、外部表），写表时需要完成“计算结果→目标格式/结构”的转换，这个过程需依赖临时目录：

• 格式转换：计算结果默认是原始数据（如行存储），需在临时目录中完成“目标格式编码”（如ORC的列存储压缩、Parquet的页式存储），再写入目标表；
• 分区/分桶适配：若目标表是分区表（如按dt=20240501分区），临时目录会先按分区键创建子目录（tmp/dt=20240501），确保数据写入正确分区；分桶表同理，临时目录会按分桶键哈希划分文件，避免最终分桶数据紊乱。

5. 隔离并发写操作，避免数据冲突

Hive虽默认不支持“多任务并发写同一张表”（需通过hive.support.concurrency开启并发控制），但临时目录可在有限并发场景下隔离不同任务的数据：

• 不同写任务会生成独立的临时目录（如tmp/task123、tmp/task456），各自处理数据，互不干扰；
• 结合Hive的锁机制（如排他锁），任务获取锁后，再将临时目录原子rename到目标表，避免“多任务同时写目标表导致数据覆盖”的问题。

补充：临时目录的配置与清理

• 默认路径：临时文件默认存储在hive.exec.tmp.dir配置的路径（如/tmp/hive/${user.name}），或目标表的Warehouse目录下的.tmp子目录；
• 自动清理：任务成功后，临时目录会被Hive自动删除；任务失败时，临时目录会保留（可通过hive.exec.dynamic.partition.mode等配置调整），用于调试失败原因；
• 手动清理：若存在残留的临时文件（如Hive客户端崩溃导致），可通过hdfs dfs -rm -r手动删除临时目录，避免占用HDFS存储空间。

总结

Hive on Tez写表时使用HDFS临时目录，并非“额外步骤”，而是分布式计算场景下保障数据可靠性、计算高效性的必然设计。其核心价值可概括为：

• 用“临时存储+原子rename”保证数据原子性，避免脏数据；
• 用“中间结果落地”适配Tez的DAG模型，支持Stage间数据传递；
• 用“结果复用”降低容错重试成本，提升计算效率；
• 用“格式/结构适配”确保数据符合目标表规范。