hive分桶

分桶：把上传数据，分为不同的文件， 将同一个目录下的数据文件，拆分成多个， 同一目录多个文件， 加快表连接的速度（join），应用场景：数据抽样（sampling）、map-join ，其他情况不建议分桶，小文件很恐怖！资源调度和分配————最消耗时间

set hive.enforce.bucketing=true;
默认：false；设置为true之后，mr运行时会根据bucket的个数自动分配reduce task个数。
（用户也可以通过mapred.reduce.tasks自己设置reduce任务个数，但分桶时不推荐使用）

在我们导入数据前，需要将hive.enforce.bucketing的值设置为true,这个参数将强制控制ruduce的个数去和我们指定的分桶个数相适配.

    set hive.enforce.bucketing = true;

创建分桶

create table psnbucket1 (
	id int,
	name string,
	age int)
	clustered by (age) into 4 buckets  //给定指定列来分桶，4份
	row format delimited 
	fields terminated by ',';

导入数据

如果我们直接load数据到我们的分桶表是创建不出来的，是假的分桶
正确导入数据的方式
我们要先创建一张临时表（表的字段都一样，不要是分桶）将数据导入临时表，从临时表中导入数据到分桶表

create TEMPORARY table if not exists pss(
id int,
name string,
age int
)
row format delimited
fields terminated by ',';

加载数据

load data local inpath '/opt/bbb' into table pss;

将临时表的数据导入分桶表中

insert into table psnbucket1 
select * from pss
cluster by age;

查看web界面，分桶成功

我们可以看到，我们的客户数据被分成了四份.那么这四份是如何进行划分的呢?其实我们已经制定了按照id进行划分,因此hive使用hash散列的方式，将id个数对桶个数求余数，我们id为12个,对桶个数(4个)求余数，结果为3.这样每个桶最少有4条数据,同时这样的方式得到的桶内数据其实相当于是随机的.
我们再次执行select查询时，会发现数据是按照分桶显示的

清空表中数据，重新写入

truncate  table buck1;

x表示从哪个bucket进行抽样,桶计数从1开始.y用来计算抽取数据的量，计算方式为分桶数/y.假设我们一共分了128个桶,y设置为32,则表示要抽取4个bucket,如果x为12,则抽取的数据来自于12/13/14/15.y的值可以不为桶个数的公约数,可以为任意值.

select * from psnbucket1 tablesample(bucket 1 out of 4 on age);

抽样

select * from bucket_table tablesample(bucket 1 out of 4 on colimes)