Hive表（分区和分桶）

Hive分区

• 描述： Hive分区根据某字段的值分区
  1.可以多维度分区
  2.分区不会影响大范围查询的执行效率
  3.每个分区为一个目录
  4.分区下可继续分区或者分桶
• 优点：限制在某个或者某些区间的值查询，处理速度会非常快
• 创建分区执行语句：PARTITIONED BY
  • 例：创建日志表，按照dt与country分区

 CREATE TABLE logs(ts bigint,
                   line string) 
 PARTITIONED BY(dt string,country string)

• 数据加载到分区表时，要显性指定分区值：

LOAD DATA LOCAL INPATH 'input/hive/partitions/file1'
INTO TABLE logs
PARTITION (dt='2001-01-01',country='GB')

• 查看Hive中数据有哪些分区

hive > SHOW PARTITIONS logs；

Hive分桶

• 描述：将数据按桶的方式放入不同的桶中（按照某列值的hash计算，除以桶的个数取余，余数相同的在一个桶）
• 优点：
  • 取样更高效：在处理大规模数据时，在开发和查询阶段，在桶内试运行和查询一小段数据，可以方便很多
  • 获取更高的查询效率：桶为表加上了额外的数据结构，具体而言就连接两个相同
    列上划分桶的表，可以使用map端进行连接（map_side_join）高效实现，处理左
    边表某个桶的mapper就知道，右边表桶内相匹配行对应的桶
    ，两边表桶的个数不一定要一样，倍数也行
  • 桶可以根据一个或者多个列进行排序，这样对每个桶的连接就相当于一个归并排
    序，进一步提升了map的效率
• 创建桶执行的语句：使用CLUSTERED BY (列) INTO 桶数 BUCKETS

CREATE TABLE user (
                    id INT ,
                    name STRING,
                    age INT
                             ) 
CLUSTERED BY (id) INTO 4 BUCKETS ;

• 创建桶时对桶进行排序：

CREATE TABLE user (
                    id INT ,
                    name STRING,
                    age INT
                             ) 
CLUSTERED BY（id） SORTED BY (id ASC)  INTO 4 BUCKETS;

• 向分桶后的表添加数据
  将hive.enforce.bucjeting属性设置为true。这样hive就知道用表定义中的声明创建桶

INSERT OVERWRITE TABLE user
SELECT * FROM data

后续的还会遇到坑还会继续添加