谈数据仓库的分区与分桶浅显理解
分区解释:将数据仓库内存储数据量大的表,按表中列值进行切片,列值一样的数据划分到一起,列值分类有多少种就至少有这么多的分区目录。如:某电商公司订单表按天分区,按订单表的下单时间在同一天的数据划分到一个目录中。
分桶解释:将数据仓库内存储数据量大的表,按表中列值的hash值对想划分的桶数取模,值一样活着同样在某些范围内的数据划分到一起,划分桶数有多少就有多少分桶目录。如:某电商公司订单表按天分区下再按订单号分桶,按订单表的下单时间在同一天的数据划分到一个目录中,再将数据按订单号进行hash取值,若分桶数是3,则对3取模,取模结果想同的放在一起。
比较:
1.都是对数据文件进行划分,但是划分的方式不一样,分区是粗粒度的切片划分,分桶是细粒度的划分。
2.分区按值切分,可能会让分区目录大小不一样,分桶会让分完的每个桶大小相差无几。
3.分区和分桶都可以加快代码查询速度,但加快的方向不太一样,分区更多在于对数据过滤以及表关联或者统计时省却全表扫描,而分桶的速度加成直接体现在两个分桶表在用各自的分桶字段,可以使用 Map 端连接 (Map-side join)高效的实现。
4.分区和分桶各自还有一个优点就是,分区便于对数据进行管理,分桶使数据取样更便捷。