目录
1、分桶之前要执行命令hive.enforce.bucketing=true;
2、要使用关键字clustered by 指定分区依据的列名,还要指定分为多少桶
一、分区和分桶的概念
分区:
是指按照数据表的某列或某些列分为多个区,区从形式上可以理解为文件夹,比如我们要收集某个大型网站的日志数据,一个网站每天的日志数据存在同一张表上,由于每天会生成大量的日志,导致数据表的内容巨大,在查询时进行全表扫描耗费的资源非常多。那其实这个情况下,我们可以按照日期对数据表进行分区,不同日期的数据存放在不同的分区,在查询时只要指定分区字段的值就可以直接从该分区查找。
分桶:
分桶是相对分区进行更细粒度的划分。分桶将整个数据内容安装某列属性值得hash值进行区分,如要安装name属性分为3个桶,就是对name属性值的hash值对3取摸,按照取模结果对数据分桶。如取模结果为0的数据记录存放到一个文件,取模为1的数据存放到一个文件,取模为2的数据存放到一个文件。
假设我们有一张地域姓名表并按城市分区。那么很有可能,北京分区的人数会远远大于其他分区,该分区的数据I/O吞吐效率将成为查询的瓶颈。如果我们对表中的姓名做分桶,将姓名按哈希值分发到桶中,每个桶将分配到大致均匀的人数。
分桶解决的是数据倾斜的问题
二、分区实现
1、创建分区
按年创建分区t1:
hive (default)> create table t1(id int,dname string,loc string) partitioned by
> (year string);
按年月创建分区t2:
hive (default)> create table t2(id int,dname string,loc string) partitioned by
> (year string,month string);
注意:表的类型需要和添加数据的类型对应,而partitioned by后的分区类型不能与表中存在的类型重复