分桶的概述

  1. 为什么要分桶
  • 数据分区可能导致有些分区数据过多，有些分区数据极少。分桶是将数据集分解为若干部分(数据文件)的另一种技术。
  • 分区和分桶其实都是对数据更细粒度的管理。当单个分区或者表中的数据越来越大，分区不能细粒度的划分数据时，我们就采用分桶技术将数据更细粒度的划分和管理
  • [CLUSTERED BY (col_name, col_name, …)
  • stored by (uid desc)
  1. 分桶的原理
  • 与MapReduce中的HashPartitioner的原理一模一样
  • MapReduce：使用key的hash值对reduce的数量进行取模(取余)
  • hive：使用分桶字段的hash值对分桶的数量进行取模(取余)。针对某一列进行分桶存储。每一条记录都是通过分桶字段的值的hash对分桶个数取余，然后确定放入哪个桶。
  1. 分桶的意义
  1. 为了保存分桶查询的分桶结构（数据已经按照分桶字段进行了hash散列）
  2. 分桶表适合进行数据抽样
    抽样更高效。处理大数据时，如果能在数据集的一部分上运行查询进行测试会带来很多方便
  3. join操作时可以提高MR的查询效率
    连接查询两个在相同列上划分了桶的表，可以在map端进行高效的连接操作。
    比如jion操作。对于两个表都有一个相同的列，如果对两个表都进行桶操作，那么hive底层会对相同列值的桶进行join操作。效率很高

2. 分桶的操作

  1. 创建分桶表和加载数据
  1. 错误的方式：
  • 建表语句： 语句正确
• create table student(
 id int,
 name string,
 sex string,
 age int,
 academy string
 )
 clustered by (sno) into 4 buckets #即指定了分桶字段也指定了排序字段
 row format delimited
 fields terminated by ‘,’
 ;
  • 加载数据：方式错误，load实际上也是copy，没有分桶效果。
    load data local inpath ‘./data/students.txt’ into table student;
  1. 正确的方式：
  1. 建表语句：语句正确
1. create table student(
 sno int,
 name string,
 sex string,
 age int,
 academy string
 )
 clustered by (sno) sorted by (sage desc) into 4 buckets #分桶字段和排序字段可以不一致
 row format delimited
 fields terminated by ‘,’
 ;
  1. 加载数据：分两步
  • 第一步：先创建临时表
• create table temp_student(
 sno int,
 name string,
 sex string,
 age int,
 academy string
 )
 clustered by (sno) sorted by (sage desc) into 4 buckets
 row format delimited
 fields terminated by ‘,’
 ;
load data local inpath './data/students.txt' into table temp_student;
  • 从临时表中查询并导入数据
• insert into|overwirte table student
 select * from temp_student
 distribute by(sno)
 sort by (sage desc)
 ;
  1. 小贴士：
  • 需要设置reduce数量和分桶数量相同：
    set mapreduce.job.reduces=4;
  • 如果数据量比较大，我们可以使用MR的本地模式：
    set hive.exec.mode.local.auto=true;
  • 强行分桶设置： （常规配置）
    set hive.enforce.bucketing=true; 默认是false
测试
insert overwrite table student
select * from temp_student
distribute by(sno) 
sort by (sage desc)
;
  • 强行排序：（常规配置）
    set hive.enforce.sorting=true;
测试：		
insert overwrite table student
select * from temp_student
distribute by(sno) 
sort by (sage desc)
;
  1. 分桶的查询
  1. 语法：
    语法:tablesample(bucket x out of y on sno)
    x:代表从第几桶开始查询，x不能大于y
    y:代表查询的总桶数,y可以是总桶数的因子或者倍数
  2. 查询全部
    select * from student;
    select * from student tablesample(bucket 1 out of 1);
  3. 指定桶查询
查询第一桶
  select * from student tablesample(bucket 1 out of 4 on sno);

查询第一桶和第三桶
select * from student tablesample(bucket 1 out of 2 on sno);
查询第二桶和第四桶的数据
select * from student tablesample(bucket 2 out of 2 on sno);
查询对8取余的第一桶的数据：
select * from student tablesample(bucket 1 out of 8 on sno);

  1. 其他查询
    查询三行数据
    select * from student limit 3;
    select * from student tablesample(3 rows);
    查询百分比的数据
    select * from student tablesample(13 percent);
    查询固定大小的数据
    select * from student tablesample(68b); 单位（K,KB,MB,GB…）
    随机抽三行数据
    select * from student order by rand() limit 3;