hive 建表，分桶表(clustered by)、分桶且桶内排序(clustered by+sorted by)、分区表(partitioned by)、分区分桶一起用

一、分桶表

1、建表语句

create table test_bucket_sorted (
id int comment 'ID', 
name string comment '名字'
)
comment '测试分桶'
clustered by(id) sorted by (id) into 4 buckets
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' ;

上面建表指定了这张表分为四个桶。

2、原理：hive的分桶就是mapreduce的partition。

（1）原理：当insert插入数据到分桶表时，会把insert的sql转为mapreduce程序处理，而分桶表的桶数就是reducer的数量。

然后使用分桶键作为mapreduce的partition分区键，每条数据的分桶键的hash对桶数求余的值 就是这一条数据所属reducer的索引。

我们知道，每个reducer都会一个文件。所以上面例子中的桶数是四，那么insert插入数据到分桶表后，我们在该表的hdfs目录下可以看到新增了四个文件。。文件命名与reducer的输出文件命名风格一样。

（2）注意：

《1》默认情况下，当插入的数据量不大的时候，是不会分桶的。

然后我测试的数据就只有9条：

[root@hadoopTest ~]# cat data.txt 
1       name1
2       name2
3       name3
4       name4
5       name5
6       name6
7       name7
8       name8
9       name9

先把这些数据放到中间表里，这样才能用insert...select

所以为了测试出效果，我们需要设置属性为强制分桶：set hive.enforce.bucketing=true;

这样的话我们的insert就会分为四个reducer处理了。hdfs输出文件如下：

如果再次分桶插入数据，那么又会产生四个新文件：

《2》load data方式插入数据是不会分桶的，因为根本不会转为mapreduce程序处理。。

3、分桶表的作用：

方便数据抽样：select * from teacher tablesample(bucket 1 out 3 on name);

注：分桶语法----TABLESAMPLE(BUCKET x OUT OF y)  

y必须是table总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3份，当y=3时，抽取（3/3）=1个bucket的数据，当y=6时，抽取（3/6）=1/2个bucket的数据。

x表示从哪个bucket开始抽取。

例如：table总bucket数为3，tablesample(bucket 3 out of 3)，表示总共抽取（3/3=）1个bucket的数据，抽取第3个bucket的数据。再例如：table总bucket数为32，tablesample(bucket 3 out of 16)，表示总共抽取（32/16=）2个bucket的数据，分别为第3个bucket和第（3+16=）19个bucket的数据。

查询第一个桶里数据，并返回一半数据：

select * from teacher tablesample(bucket 1 out of 6 on name);
 

二、分桶且桶内排序(clustered by+sorted by)

sorted by是需要与clustered by一起用的，不能单独用

1、建表

create table test_bucket_sorted (
id int comment 'ID', 
name string comment '名字'
)
comment '测试分桶'
clustered by(id) sorted by (id) into 4 buckets
ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' ;

2、insert数据

insert数据到该表中所转为的mapreduce程序为：

将会启动与分桶数的相同的reducer任务。 按id进行partition分区，不同数据根据partition分区给不同reducer处理。

然后，同一个reducer处理的数据都会按照sorted by 指定的字段进行排序。

从这里就能够知道，分桶表与分桶排序其实就是在insert数据到该表时，读取到该表设置了分桶与分桶排序，那么就会根据建表的分桶信息设置一个partitioner,然后根据建表的sorted by字段设置reducer阶段的WritableComparator，用于reducer段数据的排序。。

更详细的原来请看：Hive分桶表学习总结 - 简书

三、分区表

1、建表语句：

create table dept_partition(deptno int, dname string, loc string)
partitioned by (month string)
row format delimited fields terminated by '\t';

2、插入和导入语句

（1）静态分区

insert overwrite table dept_partition partition(month='2015-01-19') select * from test;

load data local inpath '/root/hive/partitions/file1' into table dept_partition
partition (month='2015-01-19');

都是在后面指定要插入或者导入的分区就行。。。"2015-01-19"这个分区是一个文件夹，而文件夹的名字就是2015-01-19。

（2）动态分区

在insert ...select时，使用select 查询出的字段列表中的最后的字段作为分区的key（如果分区字段只有一个，那么就是使用select列表中的最后一个字段，如果分区字段有多个，那么就使用select列表的最后n个字段作为分区key），该字段值相同的数据会放到同一个分区。

#启动动态分区功能
set hive.exec.dynamic.partition=true;  
#允许全部分区都是动态分区
set hive.exec.dynamic.partition.mode=nostrick;

#month_id为静态分区，day_id为动态分区：
insert overwrite table dynamic_test partition(month_id='201710',day_id)  
select c1,c2,c3,c4,c5,c6,c7,day_id from kafka_offset
where substr(day_id,1,6)='201710';

# month_id和 day_id均为动态分区：
insert overwrite table dynamic_test partition(month_id,day_id)  
select c1,c2,c3,c4,c5,c6,c7,substr(day_id,1,6) as month_id,day_id from kafka_offset;

为了让分区列的值相同的数据尽量在同一个mapreduce中，这样每一个mapreduce可以尽量少的产生新的文件夹，可以借助distribute by的功能，将分区列值相同的数据放到一起。

insert overwrite table dynamic_test partition(month_id,day_id)
select c1,c2,c3,c4,c5,c6,c7,substr(day_id,1,6) as month_id,day_id from kafka_offset
distribute by month_id,day_id;

参考：Hive分区表的分区操作_IT影风的博客-CSDN博客

2、原理：

不论insert还是load data，其实都是把数据全部放到该表的目录下的与分区名同名的目录下。。

这样的好处就是：

查询的时候把分区当做一个字段使用，在where条件中指定month='2015-01-19'，那么hive在查询数据只就只扫描该分区文件夹下面的数据，其他分区的数据就忽略了。可以提升效率。

四、分区分桶一起用

一起用时，在insert时就要指定分区(或者冬天分区)，然后按照分桶规则，在每个分区目录下进行分桶。