我有一个gzip 3gbsxml文件，我想Map到HiveParquet表。我使用xmlserde将该文件解析到临时外部表，然后使用insert将该数据插入到hive parquet表中（我希望该数据被放置在hive表中，而不是在hdfs上创建xml文件的接口）。
我想到了这个剧本：

CREATE TEMPORARY EXTERNAL TABLE temp_table (someData1 INT, someData2 STRING, someData3  ARRAY<STRING>)
ROW FORMAT SERDE 'com.ibm.spss.hive.serde2.xml.XmlSerDe'
WITH SERDEPROPERTIES (
"column.xpath.someData1" ="someXpath1/text()",
"column.xpath.someData2"="someXpath2/text()",
"column.xpath.someData3"="someXpath3/text()",   
)

STORED AS
INPUTFORMAT 'com.ibm.spss.hive.serde2.xml.XmlInputFormat'
OUTPUTFORMAT 'org.apache.hadoop.hive.ql.io.IgnoreKeyTextOutputFormat'
LOCATION 'hdfs://locationToGzippedXmlFile'
TBLPROPERTIES (
"xmlinput.start"="<MyItem>",
"xmlinput.end"="</MyItem>"
 );

CREATE TABLE parquet_table 
STORED AS Parquet 
AS select * from temp_table

主要的一点是，我想有一个优化的方式来访问数据。我不想每个查询都解析xml，而是只解析一次整个文件，然后将结果放入parquet表中。运行上面的脚本需要无限的时间，另外在日志中，我可以看到只有一个Map器被使用。
我真的不知道这是否是正确的方法（也许用分区可以做到这一点？）
顺便说一句，我用的是cloudera的色调。