数据仓库(七)---hive的性能优化---hive的分区和分桶

我们本章进行hive的优化学习分区和分桶。

hive分区

背景

1、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。
2、分区表指的是在创建表时指定的partition的分区空间。
3、如果需要创建有分区的表，需要在create表的时候调用可选参数partitioned by，详见表创建的语法结构。

技术细节

1、一个表可以拥有一个或者多个分区，每个分区以文件夹的形式单独存在表文件夹的目录下。
2、表和列名不区分大小写。
3、分区是以字段的形式在表结构中存在，通过describe table命令可以查看到字段存在，但是该字段不存放实际的数据内容，仅仅是分区的表示。

总结

1、在 Hive 中，表中的一个 Partition 对应于表下的一个目录，所有的 Partition 的数据都存储在最字集的目录中。
2、总的说来partition就是辅助查询，缩小查询范围，加快数据的检索速度和对数据按照一定的规格和条件进行管理。
3、Hive分区更方便于数据管理，常见的有时间分区和业务分区。

建表

分区建表分为2种，一种是单分区，也就是说在表文件夹目录下只有一级文件夹目录。另外一种是多分区，表文件夹下出现多文件夹嵌套模式。
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。
b、双分区建表语句：create table day_hour_table (id int, content string) partitioned by (dt string, hour string);双分区表，按天和小时分区，在表结构中新增加了dt和hour两列。
注意，创建时分区字段不能和表中的字段重复。

表添加分区

表已创建，在此基础上添加分区：
用户可以用 ALTER TABLE ADD PARTITION 来向一个表中增加分区。当分区名是字符串时加引号。例：
ALTER TABLE day_table ADD PARTITION (dt=’2008-08-08’, hour=’08’) location ‘/path/pv1.txt’ PARTITION (dt=’2008-08-08’, hour=’09’) location ‘/path/pv2.txt’;
一次增加一个分区
alter table testljb add partition (age=2);
一次增加多个分区
alter table testljb add partition(age=3) partition(age=4);
注意，错误的多分区添加方式
alter table testljb add partition(age=5,age=6);

如果多个分区名不同时才可以使用格式:
alter table testljb add partition(age=1,sex=’male’);

删除分区

用户可以用 ALTER TABLE DROP PARTITION 来删除分区。分区的元数据和数据将被一并删除。例：
alter table testljb drop partition(age=1);

加载数据进分区表

例：
LOAD DATA INPATH ‘/user/pv.txt’ INTO TABLE day_hour_table PARTITION(dt=’2008-08-08’, hour=’08’); LOAD DATA local INPATH ‘/user/hua/*’ INTO TABLE day_hour partition(dt=’2010-07-07’);
当数据被加载至表中时，不会对数据进行任何转换。Load操作只是将数据复制至Hive表对应的位置。数据加载时在表下自动创建一个目录，文件存放在该分区下。

基于分区的查询

SELECT day_table.* FROM day_table WHERE day_table.dt>= ‘2008-08-08’;

查看分区语句

show partitions table_name;

修复分区

修复分区就是重新同步hdfs上的分区信息。
msck repair table table_name;

hive分桶

对于每一个表（table）或者分区，Hive可以进一步组织成桶，也就是说桶是更为细粒度的数据范围划分。
Hive是针对某一列进行分桶。
Hive采用对列值哈希，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。

好处

获得更高的查询处理效率。
使取样（sampling）更高效

创建带桶的table

首先，我们来看如何告诉Hive—个表应该被划分成桶。我们使用CLUSTERED BY 子句来指定划分桶所用的列和要划分的桶的个数：
CREATE TABLE bucketed_user (id INT) name STRING) CLUSTERED BY (id) INTO 4 BUCKETS;
在这里，我们使用用户ID来确定如何划分桶(Hive使用对值进行哈希并将结果除 以桶的个数取余数。这样，任何一桶里都会有一个随机的用户集合。

声明一个表使其使用排序桶

CREATE TABLE bucketed_users (id INT, name STRING)
CLUSTERED BY (id) SORTED BY (id ASC) INTO 4 BUCKETS;

设置自动分桶

set hive.enforce.bucketing = true

对桶中的数据进行采样

SELECT * FROM bucketed_users TABLESAMPLE(BUCKET 1 OUT OF 4 ON id);
桶的个数从1开始计数。因此，前面的查询从4个桶的第一个中获取所有的用户。 对于一个大规模的、均匀分布的数据集，这会返回表中约四分之一的数据行。我们 也可以用其他比例对若干个桶进行取样(因为取样并不是一个精确的操作，因此这个 比例不一定要是桶数的整数倍)。

查询一半返回的桶数

SELECT * FROM bucketed_users TABLESAMPLE(BUCKET 1 OUT OF 2 ON id)；

未划分数据取样

使用rand()函数对没有划分成桶的表进行取样，即使只需要读取很 小一部分样本，也要扫描整个输入数据集
SELECT * FROM users TABLESAMPLE(BUCKET 1 OUT OF 4 ON rand());

注意

目前不支持对已有的表进行分桶，只能新建带有分桶的表然后 把数据导入。
例如:

下面语句建一个分区分桶表user_cid_acclevel，分桶键为cid（分三个桶），分区键为acc_level。

CREATE TABLE user_cid_acclevel (name STRING, cid STRING) PARTITIONED BY (acc_level STRING) CLUSTERED BY (cid) INTO 3 BUCKETS;

设置环境变量(必须设置这个数据，hive才会按照你设置的桶的个数去生成数据)：

>set hive.enforce.bucketing = true;

插入数据：
INSERT OVERWRITE TABLE user_cid_acclevel PARTITION (acc_level = 'A') SELECT name, citizen_id FROM user_info WHERE acc_level = 'A';

从Hive 0.6.0开始，对以前的版本，必须把mapred.reduce .tasks设为表中要填 充的桶的个数。如果桶是排序的，还需要把hive.enforce.sorting设为true。
显式原始文件时，因为分隔字符是一个不能打印的控制字符，因此字段都挤在一起。

Hive分区与分桶比较

更多文章详见:http://my.525.life/article?id=1510739741982