Hive之分桶及抽样查询

总结：分桶时，要手动设置reduceTask的个数。 部门Id中，一共有5个不同的部门。 按照部门id进行分桶，必须设置reduceTask=5。分桶和MR中的分区是一个概念。通过分桶字段的hashCode进行运算，指定当前数据位于哪个文件（区）

1 分桶表数据存储

       分区针对的是数据的存储路径(分区分的是文件)；分桶针对的是数据文件。

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，特别是之前所提到过的要确定合适的划分大小这个疑虑。

       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。

1．先创建分桶表，通过直接导入数据文件的方式

（1）数据准备

student.txt

1001    ss1
1002    ss2
1003    ss3
1004    ss4
1005    ss5
1006    ss6
1007    ss7
1008    ss8
1009    ss9
1010    ss10
1011    ss11
1012    ss12
1013    ss13
1014    ss14
1015    ss15
1016    ss16

2）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';

（3）查看表结构

hive (default)> desc formatted stu_buck;

Num Buckets:            4     

（4）导入数据到分桶表中

hive (default)> load data local inpath '/opt/module/datas/student.txt' into table

 stu_buck;

（5）查看创建的分桶表中是否分成4个桶，如图1所示

发现并没有分成4个桶。是什么原因呢？

2．创建分桶表时，数据通过子查询的方式导入

（1）先建一个普通的stu表

create table stu(id int, name string) row format delimited fields terminated by '\t';

（2）向普通的stu表中导入数据

load data local inpath '/opt/module/datas/student.txt' into table stu;

（3）清空stu_buck表中数据

truncate table stu_buck; select * from stu_buck;

（4）导入数据到分桶表，通过子查询的方式

insert into table stu_buck select id, name from stu;

（5）发现还是只有一个分桶，如图2所示

（6）需要设置一个属性

hive (default)> set hive.enforce.bucketing=true; hive (default)> set mapreduce.job.reduces=-1; hive (default)> insert into table stu_buck select id, name from stu;

                                                     图3 分桶

（7）查询分桶的数据

hive (default)> select * from stu_buck; OK stu_buck.id     stu_buck.name 1004    ss4 1008    ss8 1012    ss12 1016    ss16 1001    ss1 1005    ss5 1009    ss9 1013    ss13 1002    ss2 1006    ss6 1010    ss10 1014    ss14 1003    ss3 1007    ss7 1011    ss11 1015    ss15

2 分桶抽样查询

对于非常大的数据集，有时用户需要使用的是一个具有代表性的查询结果而不是全部结果。Hive可以通过对表进行抽样来满足这个需求。

查询表stu_buck中的数据。

 hive (default)> select * from stu_buck tablesample(bucket 1 out of 4 on id);

注：tablesample是抽样语句，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4份，当y=2时，抽取(4/2=)2个bucket的数据，当y=8时，抽取(4/8=)1/2个bucket的数据。

x表示从哪个bucket开始抽取，如果需要取多个分区，以后的分区号为当前分区号加上y。例如，table总bucket数为4，tablesample(bucket 1 out of 2)，表示总共抽取（4/2=）2个bucket的数据，抽取第1(x)个和第3(x+y)个bucket的数据。

注意：x的值必须小于等于y的值，否则

FAILED: SemanticException [Error 10061]: Numerator should not be bigger than denominator in sample clause for table stu_buck