hadoop学习---Hive分桶表的机制及其查询优化方案

什么是分桶表？

分桶是将数据集分解成更容易管理的若干部分的一个技术，是比分区更为细粒度的数据范围划分。

主要是用于分文件的，在建表的时候，指定按照那些字段执行分桶操作，并可以设置需要分多少个桶，当插入数据的时候，执行MR的分区的操作，将数据分散各个分区(hive分桶)中，默认分发方案: hash 取模

 如何构建一个分桶表呢?

create table test_buck(id int，name string)
clustered by(id) sorted by (id asc) into 6 buckets --创建分桶表的sql
row format delimited fields terminated by '\t';

CLUSTERED BY来指定划分桶所用列；

SORTED BY对桶中的一个或多个列进行排序；

into 6 buckets指定划分桶的个数。

如何向分桶表添加数据呢?

标准格式:
1)创建一张与分桶表一样的临时表,唯一区别这个表不是一个分桶表

2)将数据加载到这个临时表中
3)通过 insert into + select语句将数据导入到分桶表中
说明: sqoop不支持直接对分桶表导入数据

分桶是如何提高效率的？

在分区数量过于庞大以至于可能导致文件系统崩溃时，或数据集找不到合理的分区字段时，我们就需要使用分桶来解决问题了。

分区中的数据可以被进一步拆分成桶，不同于分区对列直接进行拆分，桶往往使用列的哈希值对数据打散，并分发到各个不同的桶中从而完成数据的分桶过程。

注意，hive使用对分桶所用的值进行hash，并用hash结果除以桶的个数做取余运算的方式来分桶，保证了每个桶中都有数据，但每个桶中的数据条数不一定相等。

如果另外一个表也按照同样的规则分成了一个个小文件。两个表join的时候，就不必要扫描整个表，只需要匹配相同分桶的数据即可，从而提升效率。

在数据量足够大的情况下，分桶比分区有更高的查询效率。

分桶和分区的区别：

1. 分桶对数据的处理比分区更加细粒度化：分区针对的是数据的存储路径；分桶针对的是数据文件；
2. 分桶是按照列的哈希函数进行分割的，相对比较平均；而分区是按照列的值来进行分割的，容易造成数据倾斜；
3. 分桶和分区两者不干扰，可以把分区表进一步分桶。

分桶表有什么作用呢？

1.进行数据采样

在真实的大数据分析过程中，由于数据量较大，开发和自测的过程比较慢，严重影响系统的开发进度。此时就可以使用分桶来进行数据采样。采样使用的是一个具有代表性的查询结果而不是全部结果，通过对采样数据的分析，来达到快速开发和自测的目的，节省大量的研发成本。

2.提升查询的效率（单表|多表）

单表查询时，基于hash值进行分桶的机制下查询时可直接锁定对应桶，不需要全局扫描，节省查询时间，提高效率。

如何进行数据采样?

采样函数：tablesample(bucket x out of y on column) ；

select * from table tablesample(bucket x out of y on column)

 放置位置：紧紧跟在from后面，如果表有别名，放在别名前面。

说明:
            x:  从第几个桶开始进行采样
            y:  抽样比例(总桶数/y=分多少个桶)
            column: 分桶的字段, 可以省略的

注意:
           x 不能大于 y
           y 必须是表的分桶数量的倍数或者因子

案例: 
            1) 假设 A表有10个桶,  请分析, 下面的采样函数, 会将那些桶抽取出来
                 tablesample(bucket 2 out of 5 on xxx)会抽取几个桶呢?

                   总桶 / y =  分桶数量    2
                   抽取第几个编号的桶?  (x+y)
                   2,7
            2)  假设 A表有20个桶,  请分析, 下面的采样函数, 会将那些桶抽取出来
                    tablesample(bucket 4 out of 4 on xxx)会抽取几个桶呢?  

                 总桶 / y =  分桶数量    5
                 抽取第几个编号的桶?  (x+y)
                   4,8,12,16,20

如何提升查询的效率？（多表查询）

思考: 当多表进行join的时候, 如何提升join效率呢?

 小表和大表：

在进行join的时候, 将小表的数据放置到每一个读取大表的mapTask的内存中, 让mapTask每读取一次大表的数据都和内存中小表的数据进行join操作, 将join上的结果输出到reduce端即可, 从而实现在map端完成join的操作

如何开启map Join？
    set hive.auto.convert.join=true;  -- 是否开启map Join
    set hive.auto.convert.join.noconditionaltask.size=512000000; -- 设置小表最大的阈值(设置block cache 缓存大小)
    
map Join  不限制任何表 

为什么不采用reduce join呢？

1) 可能出现数据倾斜的问题
2) 导致reduce压力较大

中型表和大表：

中型表: 与小表相比 大约是小表3~10倍左右

解决方案:
1.能提前过滤就提前过滤掉(一旦提前过滤后,会导致中型表的数据量会下降,有可能达到小表阈值)
2.如果join的字段值有大量的null,可以尝试添加随机数(保证各个reduce接收数据量差不多的,减少数据倾斜问题)

3.基于分桶表的: bucket map join

bucket map join条件

1） set hive.optimize.bucketmapjoin = true;
2） 一个表的bucket数是另一个表bucket数的整数倍
3） bucket列 == join列
4） 必须是应用在map join的场景中

注意：如果表不是bucket的，则只是做普通join

在这种机制下减少中型表的数据量，将对应的join条件的数据放到内存中进行关联，map join还是在内存中进行，只不过对应的数据量减少了。

大表和大表：

解决方案:

1. 能提前过滤就提前过滤掉(减少join之间的数量, 提升reduce执行效率)。
2. 如果join的字段值有大量的null, 可以尝试添加随机数(保证各个reduce接收数据量差不多的, 减少数据倾斜问题)。

3. SMB Map join (sort merge bucket map join)

sort merge bucket map join 

实现SMB map join的条件要求: 
1） 一个表的bucket数等于另一个表bucket数(分桶数量是一致)
2） bucket列 == join列 == sort 列
3） 必须是应用在bucket map join的场景中
4)   开启相关的参数:
    -- 开启SMB map join
    set hive.auto.convert.sortmerge.join=true;
    set hive.auto.convert.sortmerge.join.noconditionaltask=true;
    --写入数据强制排序
    set hive.enforce.sorting=true;
    set hive.optimize.bucketmapjoin.sortedmerge = true; -- 开启自动尝试SMB连接