分区表:
分区表实际上就是对应一个HDFS文件系统上的独立的文件夹,该文件夹下是该分区所有的数据文件。Hive中的分区就是分目录,把一个大的数据集根据业务需要分割成小的数据集。在查询时通过WHERE子句中的表达式选择查询所需要的指定的分区,这样的查询效率会提高很多。
hive (default)> create table dept_partition(
deptno int, dname string, loc string
)
partitioned by (month string)
row format delimited fields terminated by '\t';
可以创建多层分区 :
create table dept_partition2(
deptno int, dname string, loc string
)
partitioned by (year string,month string, day string)
row format delimited fields terminated by '\t';
分桶表:
:
分区提供一个隔离数据和优化查询的便利方式。不过,并非所有的数据集都可形成合理的分区。对于一张表或者分区,Hive 可以进一步组织成桶,也就是更为细粒度的数据范围划分。
分桶是将数据集分解成更容易管理的若干部分的另一个技术。
分区针对的是数据的存储路径;分桶针对的是数据文件。
分桶规则:
创建分桶表:
create table stu_buck(id int, name string)
clustered by(id)
into 4 buckets
row format delimited fields terminated by '\t';
根据结果可知:Hive的分桶采用对分桶字段的值进行哈希,然后除以桶的个数求余的方式决定该条记录存放在哪个桶当中
jvm重用
- 适用于很难避免小文件的场景或task特别多的场景,这类场景大多数执行时间都很短
- JVM重用可以使得JVM实例在同一个job中重新使用N次
- mapred-site.xml文件中进行配置mapreduce.job.jvm.numtasks来设置N的个数