大数据之hive_hive之分桶表

分桶表的概念

对Hive(Inceptor)表分桶可以将表中记录按分桶键(字段)的哈希值分散进多个文件中，这些小文件称为桶。
分区针对的是数据的存储路径；分桶针对的是数据文件。
分区提供一个隔离数据和优化查询的便利方式。不过，并非所有的数据集都可形成合理的分区，特别是之前所提到过的要确定合适的划分大小这个疑虑。
分桶是将数据集分解成更容易管理的若干部分的另一个技术。
把表分区和分桶有两个理由
1，分桶,当两个表进行join连接时,第一个表中的一条数据去第二个表中找相同的值的时候,往往需要找完整张表,才能找出所有的值,那么当我们对表进行分桶之后,对连接的字段按hash进行分桶,这样同一个值的数据就会分到同一个桶中,这样在join找数据时,只需要找那个桶里的数据就可以了,大大提高了查询效率。
2，分区可使取样sampling更高效,没有分区的话需要扫描整个数据集。

创建分桶表

数据:
1001 ss1
1002 ss2
1003 ss3
1004 ss4
1005 ss5
1006 ss6
1007 ss7
1008 ss8
1009 ss9
1010 ss10
1011 ss11
1012 ss12
1013 ss13
1014 ss14
1015 ss15
1016 ss16

创建步骤:
1.创建一个普通的表:

create table stu(id int, name string)
row format delimited fields terminated by '\t';

2.向普通的stu表中导入数据

load data local inpath '/data/student.txt' into table stu;

3.设置配置信息开启分桶:

hive (default)> set hive.enforce.bucketing=true;     -- 开启分桶
hive (default)> set mapreduce.job.reduces=-1;         --  默认reduce个数

4.创建分桶表:

create table buck_demo(id int, name string)
--按id分桶
clustered by(id) 
--分桶个数为4个
into 4 buckets;

5.导入数据到分桶表，通过子查询的方式

insert into table buck_demo
select id, name from stu;

查看结果

查询分桶的数据

hive (default)> select * from buck_demo;
OK
stu_buck.id     stu_buck.name

1004    ss4
1008    ss8
1012    ss12
1016    ss16
1001    ss1
1005    ss5
1009    ss9
1013    ss13
1002    ss2
1006    ss6
1010    ss10
1014    ss14
1003    ss3
1007    ss7
1011    ss11
1015    ss15

抽样查询

从大量的数据中根据某个字段的hashcode%y获取部分样本数据
x(编号) OUT OF y(样本的个数 ,桶数)
对抽样的表是没有要求的 , 分桶表普通表都可以

对于非常大的数据集，有时用户需要使用的是一个具有代表性的查询结果而不是全部结果。Hive可以通过对表进行抽样来满足这个需求。
查询表stu_buck中的数据。

--随机将数据分成4份,抽取第一份
hive (default)> select * from  buck_demo tablesample(bucket 1 out of 4 on id);

注：tablesample是抽样语句，语法：TABLESAMPLE(BUCKET x OUT OF y) 。
抽样时,会非常随机的将各个桶里的数据都抽一些出去,避免数据来自同一个桶
注意：x的值必须小于等于y的值，否则
FAILED: SemanticException [Error 10061]: Numerator should not be bigger than denominator in sample clause for table stu_buck