hive 分区_好程序员大数据学习路线分享分区和分桶

好程序员大数据学习路线分享hive分区和分桶

hive 分区

1.为什么要分区？？

当单个表数据量越来越大的时候，hive查询通常会全表扫描，这将会浪费我们不关心数据的扫描，浪费大量时间。从而hive引出分区概念partition

2.怎么分区？？

看具体业务，能把一堆数据拆分成多个堆的数据就可以。 通常使用id 、 年 、 月 、天 、区域 、省份、 hive分区和mysql分区的区别？？ mysql的分区字段采用的表内字段。 hive的分区字段使用的是表外字段。

3.hive分区细节？？

1、分区本质是在该表下创建对应的目录。 2、分区名大小写不区分，建议不要使用中文。 3、可以查询分区信息。但是我们的分区字段相当于是一个伪字段，在元数据中存在，但是不真实存在数据内容中。

4、加载数据时要指定分区

4.分区操作

创建一级分区表：

create table if not exists day_part(

uid int,

uname string

)

partitioned by(year int)

row format delimited fields terminated by ''

;

load data local inpath '/root/Desktop/student.txt' into table day_part partition(year=2017);

load data local inpath '/root/Desktop/score.txt' into table day_part partition(year=2016);

show partitions day_part;

二级分区

create table if not exists day_part1(

uid int,

uname string

)

partitioned by(year int,month int)

row format delimited fields terminated by ''

;

load data local inpath '/root/Desktop/student.txt' into table day_part1 partition(year=2017,month=04);

load data local inpath '/root/Desktop/score.txt' into table day_part1 partition(year=2017,month=03);

三级分区：

create table if not exists day_part2(

uid int,

uname string

)

partitioned by(year int,month int,day int)

row format delimited fields terminated by ''

;

对分区进行操作： 显示分区：

show partitions day_part;

新增分区：空的

alter table day_part1 add partition(year=2017,month=2);

alter table day_part1 add partition(year=2017,month=1) partition(year=2016,month=12);

新增分区并加载数据：

alter table day_part1 add partition(year=2016,month=11) location "/user/hive/warehouse/qf1603.db/day_part1/year=2017/month=2";

修改分区所对应的存储路径：

##路径必须从hdfs写起

alter table day_part1 partition(year=2016,month=11) set location "hdfs://linux1:9000/user/hive/warehouse/qf1603.db/day_part1/year=2017/month=3";

删除分区：删除分区将会删除对应的分区目录(数据)

##删除某个分区

alter table day_part1 drop partition(year=2017,month=2);

##删除多个

alter table day_part1 drop partition(year=2017,month=3),partition(year=2017,month=4);

静态分区、动态分区、混合分区 静态分区：新增分区或者是加载分区数据时，已经指定分区名。 动态分区：新增分区或者是加载分区数据时，分区名未知。 混合分区：静态分区和动态分区同时存在。

动态分区的相关属性： hive.exec.dynamic.partition=true :是否允许动态分区 hive.exec.dynamic.partition.mode=strict ：分区模式设置nostrict strict：最少需要有一个是静态分区 nostrict：可以全部是动态分区 hive.exec.max.dynamic.partitions=1000 ：允许动态分区的最大数量 hive.exec.max.dynamic.partitions.pernode =100 ：单个节点上的mapper/reducer允许创建的最大分区

创建临时表：

##创建临时表

create table if not exists tmp(

uid int,

commentid bigint,

recommentid bigint,

year int,

month int,

day int

)

row format delimited fields terminated by '';

##加载数据

load data local inpath '/root/Desktop/comm' into table tmp;

创建动态分区：

##创建动态分区表

create table if not exists dyp1(

uid int,

commentid bigint,

recommentid bigint

)

partitioned by(year int,month int,day int)

row format delimited fields terminated by ''

;

为动态分区加载数据：

##严格模式

insert into table dyp1 partition(year=2016,month,day)

select uid,commentid,recommentid,month,day from tmp;

##非严格模式

##设置非严格模式动态分区

set hive.exec.dynamic.partition.mode=nostrict;

##创建动态分区表

create table if not exists dyp2(

uid int,

commentid bigint,

recommentid bigint

)

partitioned by(year int,month int,day int)

row format delimited fields terminated by '';

##为非严格模式动态分区加载数据

insert into table dyp2 partition(year,month,day)

select uid,commentid,recommentid,year,month,day from tmp;

hive提供我们一个严格模式：为了阻止用户不小心提交恶意hql hive.mapred.mode=nostrict : strict

如果该模式值为strict，将会阻止以下三种查询： 1、对分区表查询，where中过滤字段不是分区字段。 2、笛卡尔积join查询，join查询语句，不带on条件 或者 where条件。

select

stu.id,

stu.name,

score.grade

from student stu

join score

;

可以：

select

stu.id,

stu.name,

score.grade

from student stu

join score

where stu.id = score.uid

;

3、对order by查询，有order by的查询不带limit语句。

select

student.*

from student

order by student.id desc

;

注意： 1、尽量不要是用动态分区，因为动态分区的时候，将会为每一个分区分配reducer数量，当分区数量多的时候，reducer数量将会增加，对服务器是一种灾难。 2、动态分区和静态分区的区别，静态分区不管有没有数据都将会创建该分区，动态分区是有结果集将创建，否则不创建。 3、hive动态分区的严格模式和hive提供的hive.mapred.mode的严格模式。

分桶

1.为什么要分桶？？

分区数据依然很大，对分区数据或者表数据更加细粒度的管理。 分桶关键字： clustered by(uid) into n buckets 、bucket 、 分桶使用表内字段 怎么分桶？？ 对分桶字段进行hash值，然后将hash值模于总的桶数，然后得到桶数

2.分桶的意义：

1、快速抽样查询。tablesample 2、减少查询扫描数据量，提高查询效率。

##创建分桶表，设置4个分桶

create table if not exists bucket1(

uid int,

uname String

)

clustered by(uid) into 4 buckets

row format delimited fields terminated by ''

;

3.分桶的操作：

为分桶表加载数据： 分桶不能使用load方式来加载数据，而需要iinsert into方式来加载 并且需要设置属性：

##设置分桶启用

hive> set hive.enforce.bucketing=true;

##错误的加载数据方式

load data local inpath '/root/Desktop/student' into table bucket1;

##创建分桶表，设置4个分桶

create table if not exists bucket7(

uid int,

uname String

)

clustered by(uid) into 4 buckets

row format delimited fields terminated by ''

;

##为分桶表加载数据

insert into table bucket7

select id,name from student

;

分桶查询：tablesample(bucket x out of y on uid) 注意：x不能大于y x：所取桶的起始位置， y：所取桶的总数，y是总桶数的因子。y大于源总桶数相当于拉伸，y小于源总桶数相当于压缩 1 out of 2 1 1+4/2 2 out of 2 2 2+4/2

1 out of 4 1 1+4

select * from bucket7;

select * from bucket7 tablesample(bucket 1 out of 4 on uid);

select * from bucket7 tablesample(bucket 2 out of 4 on uid);

select * from bucket7 tablesample(bucket 1 out of 2 on uid);

select * from bucket7 tablesample(bucket 2 out of 2 on uid);

select * from bucket7 tablesample(bucket 3 out of 2 on uid);

select * from bucket7 tablesample(bucket 1 out of 8 on uid);

select * from bucket7 tablesample(bucket 5 out of 8 on uid);

分区+分桶：(qfstu) uid,uname,class,master gender分区 分桶uid 基偶分桶 查询女生中的学号为基数？？

##创建表

create table if not exists qftmp(

uid int,

uname string,

class int,

gender int)

row format delimited fields terminated by '';

##加载数据

load data local inpath '/home/qf' into table qftmp;

##创建动态分区分桶表

create table if not exists qf(

uid int,

uname string,

class int)

partitioned by(gender int)

clustered by(uid) into 2 buckets

row format delimited fields terminated by '';

##为动态分区分桶表加载数据

insert into table qf partition(gender)

select uid,uname,class,gender from qftmp;

查询女生中的学号为基数？？？？？

select * from qf where gender = 2 and uid%2 != 0;

select * from qf tablesample(bucket 2 out of 2 on uid) where gender = 2;

分桶使用内部关键字，分区使用的是外部字段。 两者都是对hive的一个优化。 分区和分桶的数量都要合理设置，不是越多越好。

抽样：

select * from student order by rand() limit 3;

select * from student limit 3;

select * from student tablesample(3 rows);

select * from student tablesample(20B); ##最小单位是B

select * from student tablesample(20 percent);##百分比