Hive之分区表与分桶表的解读及应用

最新推荐文章于 2023-09-20 15:53:33 发布
最新推荐文章于 2023-09-20 15:53:33 发布
阅读量867 收藏 3
点赞数 2
分类专栏： Hive 文章标签： hive 大数据 hql
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_48067943/article/details/107823697
版权

七、分区表/分桶表

文章目录

1、分区表

概念：

  • 分区表实际上就是对应一个 HDFS 文件系统上的独立的文件夹，该文件夹下是该分区所有的数据文件。Hive 中的分区就是分目录，把一个大的数据集根据业务需要分割成小的数据集。在查询时通过 WHERE 子句中的表达式选择查询所需要的指定的分区，这样的查询效率会提高很多。
1.1 分区表基本操作

1）引入分区表

需要根据日期对日志进行管理, 通过部门信息模拟

dept_20200801.log
dept_20200802.log
dept_20200803.log

2）创建分区表语法

0: jdbc:hive2://hadoop105:10000> create table dept_partition(
deptno int, dname string, loc string
)
partitioned by (day string)
row format delimited fields terminated by '\t';

注意：分区字段不能是表中已经存在的数据，可以将分区字段看作表的伪列。

3）加载数据到分区表中

（1） 数据准备

dept_20200801.log
10	ACCOUNTING	1700
20	RESEARCH	1800

dept_20200802.log
30	SALES	1900
40	OPERATIONS	1700

dept_20200803.log
50	TEST	2000
60	DEV	1900

（2） 加载数据

0: jdbc:hive2://hadoop105:10000> load data local inpath '/opt/module/hive-3.1.2/datas/dept_20200801.log' into table dept_partition partition(day='20200801');

0: jdbc:hive2://hadoop105:10000> load data local inpath '/opt/module/hive-3.1.2/datas/dept_20200802.log' into table dept_partition partition(day='20200802');

0: jdbc:hive2://hadoop105:10000> load data local inpath '/opt/module/hive-3.1.2/datas/dept_20200803.log' into table dept_partition partition(day='20200803');

注意：分区表加载数据时，必须指定分区

在这里插入图片描述

​ 图 分区表

4）查询分区表中数据

  • 单分区查询
0: jdbc:hive2://hadoop105:10000> select * from dept_partition where day='20200801';

在这里插入图片描述

  • 多分区联合查询
0: jdbc:hive2://hadoop105:10000> select * from dept_partition where day='20200801'
union
 select * from dept_partition where day='20200802'
union
 select * from dept_partition where day='20200803';

在这里插入图片描述

0: jdbc:hive2://hadoop105:10000> select * from dept_partition where day='20200801' or
day='20200802' or day='20200803' ;

在这里插入图片描述

5）查看分区表有多少分区

0: jdbc:hive2://hadoop105:10000> show partitions dept_partition;

在这里插入图片描述

6）增加分区

  • 创建单个分区
0: jdbc:hive2://hadoop105:10000> alter table dept_partition add partition(day='20200804') ;
  • 同时创建多个分区（分区之间不能有逗号）
0: jdbc:hive2://hadoop105:10000> alter table dept_partition add partition(day='20200805') partition(day='20200806');

7）删除分区

  • 删除单个分区
0: jdbc:hive2://hadoop105:10000> alter table dept_partition drop partition (day='20200806');
  • 同时删除多个分区（分区之间必须有逗号）
0: jdbc:hive2://hadoop105:10000> alter table dept_partition drop partition (day='20200804'), partition(day='20200805');

8）查看分区表结构

0: jdbc:hive2://hadoop105:10000> desc formatted dept_partition;
1.2 分区表二级分区

1）创建二级分区表

0: jdbc:hive2://hadoop105:10000> create table dept_partition2(deptno int, dname string, loc string) partitioned by (day string, hour string) row format delimited fields terminated by '\t';

0: jdbc:hive2://hadoop105:10000> desc dept_partition2;

在这里插入图片描述

2）正常的加载数据

（1）加载数据到二级分区表中

0: jdbc:hive2://hadoop105:10000> load data local inpath '/opt/module/hive-3.1.2/datas/dept_20200801.log' into table
dept_partition2 partition(day='20200801', hour='12');

（2）查询分区数据

0: jdbc:hive2://hadoop105:10000> select * from dept_partition2 where day='20200801' and hour='12';

在这里插入图片描述

3）把数据直接上传到分区目录上，让分区表和数据产生关联的三种方式

（1）方式一：上传数据后修复

  • 上传数据
0: jdbc:hive2://hadoop105:10000> dfs -mkdir -p /db_hive2/dept_partition2/day=20200801/hour=13;

0: jdbc:hive2://hadoop105:10000> dfs -put /opt/module/hive-3.1.2/datas/dept_20200801.log  /db_hive2/dept_partition2/day=20200801/hour=13;

在这里插入图片描述

在这里插入图片描述

  • 查询数据（查询不到刚上传的数据）
0: jdbc:hive2://hadoop105:10000> select * from dept_partition2 where day='20200801' and hour='13';

在这里插入图片描述

  • 执行修复命令(解决方法)
0: jdbc:hive2://hadoop105:10000> msck repair table dept_partition2;
  • 再次查询数据
0: jdbc:hive2://hadoop105:10000> select * from dept_partition2 where day='20200801' and hour='13';

在这里插入图片描述

（2）方式二：上传数据后添加分区

  • 上传数据
0: jdbc:hive2://hadoop105:10000> dfs -mkdir -p /db_hive2/dept_partition2/day=20200801/hour=14;

0: jdbc:hive2://hadoop105:10000> dfs -put /opt/module/hive-3.1.2/datas/dept_20200801.log  /db_hive2/dept_partition2/day=20200801/hour=14;
  • 执行添加分区(解决方法)
0: jdbc:hive2://hadoop105:10000> alter table dept_partition2 add partition(day='20200801',hour='14');
  • 查询数据
0: jdbc:hive2://hadoop105:10000> select * from dept_partition2 where day='20200801' and hour='14';

（3）方式三：创建文件夹后 load 数据到分区

  • 创建目录
0: jdbc:hive2://hadoop105:10000> dfs -mkdir -p /db_hive2/dept_partition2/day=20200801/hour=15;
  • 上传数据
0: jdbc:hive2://hadoop105:10000> load data local inpath '/opt/module/hive-3.1.2/datas/dept_20200801.log' into table
dept_partition2 partition(day='20200801',hour='15');
  • 查询数据
0: jdbc:hive2://hadoop105:10000> select * from dept_partition2 where day='20200801' and hour='15';
1.3 动态分区调整
  • 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)，只不过，使用 Hive 的动态分区，需要进行相应的配置。

1）开启动态分区参数设置

（1）开启动态分区功能（默认true，开启）

hive.exec.dynamic.partition=true;

（2）设置为非严格模式（动态分区的模式，默认 strict，表示必须指定至少一个分区为静态分区，nonstrict模式表示允许所有的分区字段都可以使用动态分区。）

hive.exec.dynamic.partition.mode=nonstrict;

（3）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;

（4）在每个执行MR的节点上，动态分区的个数需要根据实际的数据来设定。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

（5）整个MR Job中，最大可以创建多少个HDFS文件。默认100000

hive.exec.max.created.files=100000

（6）当有空分区生成时，是否抛出异常。一般不需要设置。默认false

hive.error.on.empty.partition=false

2）案例实操

  • 需求：将 dept 表中的数据按照地区（loc字段），插入到目标表dept_partition的相应分区中。

（1）创建目标分区表

0: jdbc:hive2://hadoop105:10000> create table dept_partition_dy(id int, name string) partitioned by (loc int) row format delimited fields terminated by '\t';

（2）设置动态分区

set hive.exec.dynamic.partition.mode = nonstrict;

0: jdbc:hive2://hadoop105:10000> insert into table dept_partition_dy partition(loc) select deptno, dname, loc from dept;

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

（3）查看目标分区表的分区情况

0: jdbc:hive2://hadoop105:10000> show partitions dept_partition_dy;

在这里插入图片描述

2、分桶表

  • 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。对于一张表或者分区，Hive 可以进一步组织成桶，也就是更为细粒度的数据范围划分。

  • 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。

  • 分区针对的是数据的存储路径；分桶针对的是数据文件。

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

1001	xueshen1
1002	xueshen2
1003	xueshen3
1004	xueshen4
1005	xueshen5
1006	xueshen6
1007	xueshen7
1008	xueshen8
1009	xueshen9
1010	xueshen10
1011	xueshen11
1012	xueshen12
1013	xueshen13
1014	xueshen14
1015	xueshen15
1016	xueshen16

（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

0: jdbc:hive2://hadoop105:10000> desc formatted stu_buck;
Num Buckets:            4

（4）导入数据到分桶表中（hive新版本load数据可以直接跑mr(也会有点问题)，老版的hive需要将数据传到一张表里，再通过查询的方式导入到分桶表里面。）

0: jdbc:hive2://hadoop105:10000> load data local inpath   '/opt/module/hive-3.1.2/datas/student.txt' into table stu_buck;

（5）查看创建的分桶表中是否分成4个桶

在这里插入图片描述

在这里插入图片描述

（6）查询分桶的数据

0: jdbc:hive2://hadoop105:10000> select * from stu_buck;

在这里插入图片描述

分桶规则：

根据结果可知：Hive的分桶采用对分桶字段的值进行哈希，然后除以桶的个数求余的方式决定该条记录存放在哪个桶当中

TANCHISE
关注
专栏目录
HiveSpark整合原理与代码实例讲解
程序员光剑
07-16 815
Hive-Spark整合原理与代码实例讲解 1. 背景介绍 1.1 问题的由来 随着大数据时代的到来，处理海量数据的需求日益增加，Hadoop生态系统中的Hive和Spark因其强大的数据处理能力而被广泛使用。Hive提供了SQL查询
Hadoop数据仓库——Hive分区、分桶
wym0345的博客
05-21 268
数据分区（Partitioning） Hive中的分区是一种根据“分区键”（如日期、地区等）将表中的数据分散存储到不同文件夹中的方法。这样做的好处是可以提高查询效率，因为当查询涉及到分区字段时，Hive只需要扫描相关的分区，而不是整张表。 举例:假设有一个关于网站访问日志的表web_logs，我们可以按日期对这个表进行分区： CREATE TABLE web_logs ( id INT, url STRING, ip STRING, time STRING ) PA
Hive表的分区与分桶
lavimer
01-24 1万+
1.Hive分区表 Hive使用select语句进行查询的时候一般会扫描整个表内容，会消耗很多时间做没必要的工作。Hive可以在创建表的时候指定分区空间，这样在做查询的时候就可以很好的提高查询的效率。 创建分区表的语法： create table tablename( name string )partitioned by(key,type...); 示例 dr
深入理解 Hive 分区分桶 （Inceptor）
热门推荐
little prince，blue coder
08-31 3万+
大数据核心原理与实践专栏 为何分区分桶 我们知道传统的DBMS系统一般都具有表分区的功能，通过表分区能够在特定的区域检索数据，减少扫描成本，在一定程度上提高查询效率，当然我们还可以通过进一步在分区上建立索引进一步提升查询效率。在此就不赘述了。 在Hive数仓中也有分区分桶的概念，在逻辑上分区表与未分区表没有区别，在物理上分区表会将数据按照分区键的列值存储在表目录的子目录中，目录名=“分区...
Hive的分区与分桶
giantleech的博客
03-30 288
文章目录Hive的分区与分桶Hive的分区分区的作用静态分区动态分区Hive的分桶分桶的作用分桶的定义分桶的抽样总结分区分桶抽样语句 tablesample（bucket x out of y） Hive的分区与分桶 Hive的分区 分区的代码标准格式： 通过建表时就定义分区(用PARTITIONED BY定义分区) CREATE TABLE employee_partitioned( name string, work_place ARRAY<string>, sex_
Hive分区和分桶
Enzo的探索之路
12-04 1081
分区的目的是缩小搜索范围，加快查询速度； 分区是针对表进行的，一个表可以从多个维度进行分区，比如按照日期进行分区； 分区是创建表时通过PARTITIONED BY子句定义的，如： CREATE TABLE employee(eid int,name string,salary string,destination string) &amp;gt; PARTITIONED BY (dt string, c...
HIVE分区和分桶
君子性非异也 善假于物也
01-11 907
静态分区 Hive 分区partition 必须在表定义时指定对应的partition字段 a、单分区建表语句： create table day_table (id int, content string) partitioned by (dt string); 单分区表，按天分区，在表结构中存在id，content，dt三列。 以dt为文件夹区分 b、 双分区建表语句：
Hive之分区表和分桶表
guoxizhang的博客
03-23 224
分区表 分区表实际上就是对应一个HDFS文件系统上的独立的文件夹，该文件夹下是该分区所有的数据文件。Hive中的分区就是分目录，把一个大的数据集根据业务需要分割成小的数据集。在查询时通过WHERE子句中的表达式选择查询所需要的指定的分区，这样的查询效率会提高很多 分区表二级分区 动态分区调整 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)，只不过，使用Hive的动态分区，需要
Hive笔记 ---之hive 分区表 分桶表 详解
qq_48847763的博客
09-04 474
--- 本章节目录 分区表 （静态分区 动态分区） 分桶表 抽样查询 分区表 数据分区的概念以及存在很久了，通常使用分区来水平分散压力，将数据从物理上移到和使用最频繁的用户更近的地方，以及实现其目的 hive中处理的数据在HDFS中 , select * from tb_name where dt=2020-09-03; 查询表中的数据是加载HDFS中对应表文件夹下的数据 ,文件夹下的数据很多,将数据全部加载以后再筛选过滤出数据, 显然效率低,Hive中的分区表起始就是根据...
hive综合应用案例-用户学历查询.zip
最新发布
05-24
Hive是建立在Hadoop之上的，它的主要组件包括Hive Server（提供服务接口）、HQL（Hive Query Language，类似SQL的查询语言）、Metastore（存储元数据，如表结构、分区信息等）以及HDFS（Hadoop Distributed File ...
HIVE中文使用手册及用户指南
07-17
手册中可能涵盖了数据分区、桶化、JOIN操作、子查询、窗口函数等高级特性，以及如何优化Hive查询性能。 3. **Hive函数大全**： 这份文档详尽列出了Hive支持的所有内置函数，包括聚合函数（如COUNT, SUM, AVG等）、...
hive窗口函数
01-09
其中，窗口函数是HiveQL的一个重要组成部分，它可以在不改变表结构的情况下，对数据进行复杂的数据处理与分析。本文主要介绍Hive中的窗口函数，特别是SUM、AVG、MIN、MAX等基础函数的应用场景及其具体用法。 #### ...
Hive的分区和分桶
qq_25409421的博客
09-20 1万+
为了提高查询数据的效率，Hive 提供了表分区机制。分区表基于分区键把具有相同分区键的数据存储在一个目录下，在查询某一个分区的数据的时候，只需要查询相对应目录下的数据，而不会执行全表扫描，也就是说，Hive 在查询的时候会进行分区剪裁。每个表可以有一个或多个分区键。Hive 可以对每一个表或者是分区，进一步组织成桶，也就是说桶是更为细粒度的数据范围划分。Hive 是针对表的某一列进行分桶。Hive 采用对表的列值进行哈希计算，然后除以桶的个数求余的方式决定该条记录存放在哪个桶中。分桶的好处是可以获得更高的查
Hive 基础
京东放养的爬虫
06-03 1893
1、Hive 分区表 在Hive Select查询中一般会扫描整个表内容，会消耗很多时间做没必要的工作。有时候只需要扫描表中关心的一部分数据，因此建表时引入了partition概念。分区表指的是在创建表时指定的partition的分区空间。 Hive可以对数据按照某列或者某些列进行分区管理，所谓分区我们可以拿下面的例子进行解释。 当前互联网应用每天都要存储大量的日志文件，几G、几十G甚至更大
Hive_分区与分桶
qq_56870570的博客
08-20 1132
一、为什么要分区和分桶 1.1 为什么要分区 随着系统运行时间增长，表的数据量会越来越大，而hive查询时通常是全表扫描，这样将导致大量的不必要的数据被扫描，从而大大提高查询效率。从而引进分区技术，可以将用户的整个表的数据在存储时划分为多个子目录，从而在查询时可以指定查询条件（子目录以分区变量的值来命名）eg:filedate=‘20210810’。 1.2 为什么要分桶 单个分区或者表中的数据量越来越大，当分区不能更细粒的划分数据时，需要采用分桶技术将数据更细粒度的划分和管理。从而引进分桶技术，分
hive的分区与分桶
weixin_40645193的博客
02-08 213
【动态分区】通过股票案例进行说明(编程指南5.1)： 下面介绍动态分区，因为按照上面的方法向分区表插入数据，如果源数据量很大，针对一个分区就要写一个INSERT，非常麻烦。 况且在之前的版本中，必须先手动创建好所有的分区后才能插入，这就更麻烦了，必须要知道源数据中有什么样的数据才能创建分区。 使用动态分区可以很好的解决以上问题，动态分区可以根据查询得到数据自动匹配到相应的分区中去 1)整理数据stocks.cvs 上传到hdfs $>hadoop fs -put sto
Hive分区表和分桶表
mxk4869的博客
07-06 1287
Hive分区表和分桶表
Hive 分桶表及作用
机械工程跑路哥
09-08 3605
**分区**提供一个隔离数据和优化查询的便利方式。 不过，并非所有的数据集都可形成合理的分区。对于一张表或者分区，Hive 可以进一步组织成 ，也就是更为细粒度的数据范围划分；
Hive 的安装之启动 Hive
weixin_48067943的博客
07-31 2399
Hive 的安装之 Hive 的启动 文章目录Hive 的安装之 Hive 的启动6、Hive 的启动6.1 初始化元数据库6.2 启动 metastore 和 hiveserver26.3 HiveJDBC 访问 6、Hive 的启动 6.1 初始化元数据库 6.1.1 登录 MySQL [xiaoxq@hadoop105 lib]$ mysql -uroot -p密码 6.1.2 新建 Hive 元数据库 mysql> create database metastore; Query OK, 1
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值