hive从入门到放弃(四)——分区与分桶

今天讲讲分区表和分桶表，前面的文章还没看的可以点击链接：
hive从入门到放弃(一)——初识hive
hive从入门到放弃(二)——DDL数据定义
hive从入门到放弃(三)——DML数据操作

分区

分区可以提高查询效率，实际上 hive 的一个分区就是 HDFS 上的一个目录，目录里放着属于该分区的数据文件。

分区的基本操作

创建分区表

create table partition_table(
	col1 int, 
	col2 string
)
partitioned by (part_col string)
row format delimited fields terminated by '\t';

*分区字段不能是表中字段

创建完分区表如果需要将数据导入表中，需要用 load 命令导入；

 load data local inpath 
'/data_dir/data_file' into table partition_table 
partition(part_col='20220331');

如果是在 HDFS 中创建目录并将数据文件传到目录中，是没办法查到的，因为查询分区表是需要查询元数据的;

如果非要用这种方法或者已经做了，可以执行修复命令:msck repair table table_name;

查看分区

show partitions partition_table;

查询

select * from partition_table where part_col='20220331';

添加分区

alter table partition_table add partition(part_col='20220331');

删除分区

alter table partition_table drop partition(part_col='20220331');

二级分区

二级分区相当于在一级分区对应的目录上新增一个目录，一般用于单个分区数据量很大，需要做拆解的情况。

创建二级分区表

create table partition_table(
	col1 int, 
	col2 string
)
partitioned by (part_col1 string, part_col2 string)
row format delimited fields terminated by '\t';

二级分区表的其它操作与一级的区别不大，因此不做过多的描写。

动态分区

关系型数据库中，对分区表 Insert 数据时候，数据库自动会根据分区字段的值，将数据插入到相应的分区中

Hive 中也提供了类似的机制，即动态分区(Dynamic Partition)，不过使用 Hive 的动态分区需要进行相应的配置。

开启动态分区功能（默认 true，开启）

hive.exec.dynamic.partition=true

设置为非严格模式

hive.exec.dynamic.partition.mode=nonstrict

默认 strict，表示至少指定一个分区为静态分区，nonstrict 表示允许所有的分区字段都能使用动态分区。

在所有执行 MR 的节点上，最大一共可以创建多少个动态分区。默认 1000

hive.exec.max.dynamic.partitions=1000

在每个执行 MR 的节点上，最大可以创建多少个动态分区。比如源数据中包含了一年的数据，即 day 字段有 365 个值，那么该参数就
需要设置成大于 365，如果使用默认值 100，则会报错。

hive.exec.max.dynamic.partitions.pernode=100

动态插入数据到分区

insert into partition_table partition(part_col) select * from table_name;

分桶

分区提高了数据的查询效率，同时还能将数据隔离开，但是并非所有数据能形成合理的分区。

hive可以将数据进行分桶，不同于分区是针对存储路径进行分类，分桶是在数据文件中对数据进行划分的一种技术。

分桶是指定某一列，让该列数据按照哈希取模的方式随机、均匀的分发到各个桶文件中。

创建分桶表

-- 分 6 个桶的分桶表
create table bucket_table(col1 int, col2 string)
clustered by(col1) 
into 6 buckets
row format delimited fields terminated by '\t';

加载数据

加载数据到分桶表中可以使用 load 或者 insert 的方式。

需要注意的是，reduce 的个数设置应该为-1,让 Job 自行决定需要用多少个 reduce 或者将 reduce 的个
数设置为大于等于分桶表的桶数。

抽样

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。

语法：tablesample（bucket x out of y）

select * from bucket_table tablesample(bucket 1 out of 3 on col1);

y必须是table总共bucket数的倍数或者因子。

上面的语句表示：对于分桶数为 6 的表，总共抽取 6/y = 6/3 = 2 个bucket的数据，

分别为第 x=1 个 bucket 和第 x+3=4 个 bucket 的数据。

小结

本文简单介绍了 hive 的分区，包括如何创建分区表、新建分区和删除分区，还有二级分区和动态分区；以及分桶表，包括分桶表的概念和抽样函数。

持续关注不迷路，转载请注明出处！—— 大数据的奇妙冒险