分区/桶

Hive 分区

Hive的分区方式：由于Hive实际上是数据文件在HDFS存在的目录区分
分区字段是虚拟列

• 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。
• 表和列名不区分大小写。
• 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（伪列）

静态分区

静态分区

create table bitag.f_feed_article_info
(  
source                  string,                            
domain                  string,                                     
hash_id                 string ,                                     
url                     string ,                                    
is_news                 int,                                         
title                   string,                                      
content                 string,                                      
body                    string,                                      
summary                 string,                                      
img_url                 string,                                      
article_time            bigInt,                                         
raw_content             string,                                      
first_tag               string,                                      
second_tag              string,                                      
unique_hash             string,                                      
title_hash              string,                                      
update_time             timestamp  
)  
comment 'feed文章'  
partitioned by (dt string comment '当前时间，用于分区字段')  
row format delimited  
stored as PARQUET ;

静态分区写入指定写入的分区字段partition

insert into bitag.f_feed_article_info partition(dt = '$tDate') select * from detectTags

动态分区

• 相关参数

• 写入数据

set hive.exec.dynamic.partition=true;

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

set hive.exec.max.dynamic.partitions.pernode=10000;

set hive.exec.max.dynamic.partitions=1000000;

set hive.exec.max.created.files=1000000;

CREATE TABLE table (
url String
) PARTITIONED BY (month String,day String) 
stored AS textfile;

INSERT overwrite TABLE d_table PARTITION (month,day) 
SELECT url,substr(day,1,7) AS month,day 
FROM d_table;

Hive 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也是 针对某一列进行桶的组织。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。

把表（或者分区）组织成桶（Bucket）有两个理由：

• 1）获得更高的查询处理效率。桶为表加上了额外的结构，Hive 在处理有些查询时能利用这个结构。具体而言，连接两个在（包含连接列的）相同列上划分了桶的表，可以使用 Map 端连接 （Map-side join）高效的实现。比如JOIN操作。对于JOIN操作两个表有一个相同的列，如果对这两个表都进行了桶操作。那么将保存相同列值的桶进行JOIN操作就可以，可以大大较少JOIN的数据量**。

• 2）使取样（sampling）更高效。在处理大规模数据集时，在开发和修改查询的阶段，如果能在数据集的一小部分数据上试运行查询，会带来很多方便。

语法

• 1), 建student & student1 表：

    create table student(id INT, age INT, name STRING)

    partitioned by(stat_date STRING)

    clustered by(id) sorted by(age) into 2 buckets
    
    row format delimited fields terminated by ',';
    
 
    create table student1(id INT, age INT, name STRING)

    partitioned by(stat_date STRING)

    clustered by(id) sorted by(age) into 2 buckets

    row format delimited fields terminated by ',';

• 2), 设置环境变量：

set hive.enforce.bucketing = true; # 可以自动控制上一轮reduce的数量从而适配bucket的个数

• 3), 插入数据：

LOAD DATA local INPATH '/home/lijun/bucket.txt' OVERWRITE INTO TABLE student partition(stat_date="20120802");

from student1 
insert overwrite table student1 partition(stat_date="20120802") 
select id,age,name where stat_date="20120802" sort by age;


hadoop fs -ls /hive/warehouse/test.db/student1/stat_date=20120802;


select * from student1 tablesample(bucket 1 out of 2 on id);

注：tablesample是抽样语句，语法：TABLESAMPLE(BUCKET x OUT OF y)

y必须是table总bucket数的倍数或者因子。hive根据y的大小，决定抽样的比例。例如，table总共分了64份，当y=32时，抽取(64/32=)2个bucket的数据，当y=128时，抽取(64/128=)1/2个bucket的数据。x表示从哪个bucket开始抽取。

例如，table总bucket数为32，tablesample(bucket 3 out of 16)，表示总共抽取（32/16=）2个bucket的数据，分别为第3个bucket和第（3+16=）19个bucket的数据。

参考：
https://blog.csdn.net/wisgood/article/details/17186107
https://blog.csdn.net/strongyoung88/article/details/53743937/
http://lxw1234.com/archives/2015/06/286.htm
https://www.cnblogs.com/yongjian/archive/2017/03/29/6640951.html