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)