Kinesis Firehose 到 s3：数据传送到 s3 路径中的错误时间

Question

我正在使用 Kinesis Firehose 缓冲 IoT 数据，并将其写入 s3。 Firehose 以 s3://bucket.me.com/YYYY/MM/DD/HH

格式将缓冲区写入 s3

进入 10:59a 的数据可能会被 Firehose 缓冲，直到 11:00a（s3://bucket.me.com/2017/03/09/11）才写出。

问题是，在为 Athena 创建分区时，第 10 小时的分区不会包含第 10 小时的所有数据，因为它位于第 11 小时的路径中。

下面是一个更好说明的例子：

物联网将以下数据发送到 Firehose，Firehose 在 2a 将其写入 s3://bucket.me.com/2017/03/24/02/file-0000。文件内容如下所示：

{"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"}

然后我创建一个 Athena table:

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/';

当我运行 select * from sensor_data where hour = 1 时，我不会返回上面的 3 条记录，因为它只会从为分区 hour=1 定义的 s3 路径读取（以及 3 条记录确实在 hour=2 分区中）。

如何避免这个问题？

Answer 1

您无法完全避免它，但更频繁地写入会在适当的时间产生更准确的结果。

Answer 2

我想你会想要查询更广泛然后重新过滤 select * from sensor_data where (hour = 1 or hour = 2) and date_trunc('hour', dt.hour) = 1

Kinesis Firehose 到 s3：数据传送到 s3 路径中的错误时间

Kinesis Firehose to s3: data delivered to wrong hour in s3 path

hive

amazon-kinesis

amazon-athena

amazon-kinesis-firehose