分桶及抽样查询
分桶表数据存储
分区针对的是数据的存储路径;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 '/root/datas/stu_bucket.txt' into table stu_buck;
(5)查看创建的分桶表
发现并没有分桶成四个文件,这是因为我们是使用的load加载方式,这是直接把本地文件上传到hdfs中,这种方式是不会帮你分桶的,试一下使用insert方式
首先清空原来的表
hive (default)> truncate table stu_buck;
新建一个stu表
hive (default)> create table stu(id int,name string)
> row format delimited fields terminated by '\t';
导入数据
hive (default)> load data local inpath '/root/datas/stu_bucket.txt' into table stu;
将stu表中的数据导入到stu_buck里面去
hive (default)> insert into table stu_buck
> select * from stu;
继续查看
还是只有一个文件
我们再给它设置几个属性,再试一次
hive (default)> set hive.enforce.bucketing=true;
hive (default)> set mapreduce.job.reduces=-1;
hive (default)> truncate table stu_buck;
hive (default)> insert into table stu_buck
> select * from stu;