Hive bucket桶

对于每一个表(table)或者分区，Hive可以进一步组织成桶。Hive也是针对某一列进行桶的组织。Hive采用对列值哈希，然后除于桶的个数求余的方式决定该条记录存放在哪个桶当中。采用桶能够带来一些好处，比如JOIN操作。对于JOIN操作两个表有一个相同的列，如果对这两个表都进行了桶操作。那么将保存相同列值的桶进行JOIN操作就可以，可以大大减少JOIN的数据量。

Hive中table可以拆分成Partition，table和Partition可以通过'CLUSTERED BY'进一步分bucket，bucket中的数据可以通过'SORT BY'排序。

Hive中bucket的主要作用：

1.数据sampling

2.提升某些查询操作效率，列如Map Side join

注：cluster by和sorted by不会影响数据的导入，这意味着，用户必须自己负责数据如何导入，包括数据的分桶和排序。另外一个要注意的就是使用桶表的使用一定要设置如下属性：

hive.enforce.bucketing=true

示例：

#建立student表，如下：

hive (hive)> create table student(
           > id int,age int,name string)
           > partitioned by (stat_date string)
           > clustered by(id) sorted by(age) into 2 buckets
           > row format delimited 
           > fields terminated by '\t'
           > stored as textfile;
           > stored as textfile;
OK
Time taken: 0.101 seconds

#创建数据源

[root@liaozhongmin5 src]# vim student
[root@liaozhongmin5 src]# more student 
1	22	lavimer
2	23	liaozhongmin
3	24	liaozemin
4	25	liaomin
5	26	min

#启用桶表

hive (hive)> set hive.enforce.bucketing=true;

#导入数据

hive (hive)> load data local inpath '/usr/local/src/student' into table student partition(stat_date='2015-01-29');

#我在采用insert的语句将数据从表中查询出来从新覆盖进表中(因为通过load data的形式导入数据后能直观看到分桶的结构)：

hive (hive)> 
           > insert overwrite table student                              
           > partition(stat_date='2015-01-29')
           > select id,age,name from student where stat_date='2015-01-29' sort by age;

此时查看文件系统中的目录结构如下：

注：不知道为什么使用load data的形式导入数据时就不会有分桶的结构。

#查看所有数据

hive (hive)> select * from student;
OK
id	age	name	stat_date
1	22	lavimer	2015-01-29
2	23	liaozhongmin	2015-01-29
3	24	liaozemin	2015-01-29
4	25	liaomin	2015-01-29
5	26	min	2015-01-29
Time taken: 0.328 seconds

#查看sampling数据

hive (hive)> select * from student tablesample(bucket 1 out of 2 on id);

注：上述语句表示抽取1(2/2)个bucket的数据从第一个桶中抽取数据。

结果如下：

id	age	name	stat_date
2	23	liaozhongmin	2015-01-29
4	25	liaomin	2015-01-29

注：

tablesample是抽样语句，语法：tablesample(bucket x out of y)，y必须是table总共bucket数的倍数或者因子。Hive根据y的大小，决定抽样的比例。例如：table总共分了64份，当y=32时，抽取2(64/32)个bucket的数据，当y=128时，抽取1/2(64/128)个bucket的数据。x表示从哪个bucket开始抽取。例如：table总共bucket数为32，tablesample(bucket 3 out of 16)表示总共抽取2(32/16)个bucket的数据，分别为第三个bucket和第19(3+16)个bucket的数据。