Hive内部表和外部表的区别

面试题来源：

《大数据面试题 V4.0》

大数据面试题V3.0，523道题，679页，46w字

可回答：Hive分区和分桶的逻辑

参考答案：

1、定义上

分区

• Hive的分区使用HDFS的子目录功能实现。每一个子目录包含了分区对应的列名和每一列的值。

• Hive的分区方式：由于Hive实际是存储在HDFS上的抽象，Hive的一个分区名对应一个目录名，子分区名就是子目录名，并不是一个实际字段。

• 所以可以这样理解，当我们在插入数据的时候指定分区，其实就是新建一个目录或者子目录，或者在原有的目录上添加数据文件。

注意：partitned by子句中定义的列是表中正式的列（分区列），但是数据文件内并不包含这些列。

# 创建分区表
 create table student(
 id int,
 name string,
 age int,
 address string
 )
 partitioned by (dt string,type string)                 # 制定分区
 row format delimited fields terminated by '\t'         # 指定字段分隔符为tab
 collection items terminated by ','                     # 指定数组中字段分隔符为逗号
 map keys terminated by ':'                             # 指定字典中KV分隔符为冒号
 lines terminated by '\n'                               # 指定行分隔符为回车换行
 stored as textfile                                     # 指定存储类型为文件
 ;
 ​
 # 将数据加载到表中（此时时静态分区）
 load data local inpath '/root/student.txt' into  test.student partition(class='一班');

分桶：

• 分桶表是在表或者分区表的基础上，进一步对表进行组织，Hive使用 对分桶所用的值；

• 进行hash，并用hash结果除以桶的个数做取余运算的方式来分桶，保证了每个桶中都有数据，但每个桶中的数据条数不一定相等。

注意：

创建分区表时：

• 可以使用distribute by(sno) sort by(sno asc) 或是使用clustered by(字段)

• 当排序和分桶的字段相同的时候使用cluster by， 就等同于分桶+排序(sort)

 # 创建分桶表
 create table student(
 id int,
 name string,
 age int,
 address string
 )
 clustered by(id) sorted by(age) into 4 buckets
 row format delimited fields terminated by '\t'
 stored as textfile;
 ​
 # 开启分桶
 set hive.enforce.bucketing = true;
 # 插入数据
 insert overwrite table studentselect id ,name ,age ,address from employees;
 # 也可以用另一种插入方式
 load data local inpath '/root/student.txt' into test.student;

2、数据类型上

分桶随机分割数据库，分区是非随机分割数据库。因为分桶是按照列的哈希函数进行分割的，相对比较平均；而分区是按照列的值来进行分割的，容易造成数据倾斜。

分桶是对应不同的文件（细粒度），分区是对应不同的文件夹（粗粒度）。桶是更为细粒度的数据范围划分，分桶的比分区获得更高的查询处理效率，使取样更高效。

注意：普通表（外部表、内部表）、分区表这三个都是对应HDFS上的目录，桶表对应是目录里的文件。