1 hive 分桶概述
分桶表是对列值取哈希值的方式,将不同数据放到不同文件中存储。
对于 hive 中每一个表、分区都可以进一步进行分桶。
由列的哈希值除以桶的个数来决定每条数据划分在哪个桶中。
适用场景:
对比 MR 的 HashPartition
数据抽样( sampling )
2 开启支持分桶
set hive.enforce.bucketing=true;
默认:false;设置为 true 之后,mr 运行时会根据 bucket 的个数自动分配 reduce task 个数。(用户也可以通过 mapred.reduce.tasks 自己设置 reduce 任务个数,但分桶时不推荐使用)
注意:一次作业产生的桶(文件数量)和 reduce task 个数一致。
3 分桶操作
3.1 往分桶表中加载数据
insert into table bucket_table select columns from tbl; insert overwrite table bucket_table select columns from tbl; |
3.2 桶表 抽样查询
select * from bucket_table tablesample(bucket 1 out of 4 on columns);
TABLESAMPLE 语法:
TABLESAMPLE(BUCKET x OUT OF y)
x:表示从哪个 bucket 开始抽取数据
y:必须为该表总 bucket 数的倍数或因子
当表总 bucket 数为 32 时
1. TABLESAMPLE(BUCKET 3 OUT OF 16),抽取哪些数据?
共抽取 2(32/16)个 bucket 的数据,抽取第 3、第 19(16+3)个 bucket 的数据
2. TABLESAMPLE(BUCKET 3 OUT OF 8),抽取哪些数据?
共抽取 4(32/8)个 bucket 的数据,抽取:3,11,19,27
3. TABLESAMPLE(BUCKET 3 OUT OF 256),抽取哪些数据?
共抽取 1/8(32/256)个 bucket 的数据,抽取第 3 个 bucket 的 1/8 数据
4 实操案例
例:
CREATE TABLE psn31( id INT, name STRING, age INT) ROW FORMAT DELIMITED FIELDS TERMINATED BY ','; |
测试数据:
[root@node4 ~]# vim bucket 1,tom,11 2,cat,22 3,dog,33 4,hive,44 5,hbase,55 6,mr,66 7,alice,77 8,scala,88 |
加载原始数据:
hive> load data local inpath '/root/bucket' into table psn31; |
创建分桶表
CREATE TABLE psnbucket( id INT, name STRING, age INT) CLUSTERED BY (age) INTO 4 BUCKETS ROW FORMAT DELIMITED FIELDS TERMINATED BY ','; desc formatted psnbucket; |
莫忘记开始分桶支持:
set hive.enforce.bucketing=true;
从源数据表向分桶表中添加数据:
insert into table psnbucket select id, name, age from psn31;
抽样
hive> select id, name, age from psnbucket tablesample(bucket 2 out of 4 on age); OK id name age 3 dog 33 7 alice 77 [root@node4 ~]# hdfs dfs -cat /user/hive_remote/warehouse/psnbucket/000001_0 7,alice,77 3,dog,33 |
总结:分区是分目录存储,分桶是将表中的数据分文件存储。