Hive分区和分桶的区别

1．前言

Hive的分区和分桶都是细化数据管理，加快数据查询和分析，两者有什么区别呢？下面讲解一下分区和分桶的原理。

2．分区

（1）分区原理

Hive的分区表可以有一个或多个分区键，用于确定数据的存储方式。分区（除了作为存储单元）还允许用户有效地识别满足指定条件的数据，显著加快查询分析速度。分区字段并不是数据的一部分，而是加载时虚拟的列，数据在HDFS上存储时分区就相当于文件目录。

Hive的分区使用HDFS的子目录功能实现。每一个子目录包含了分区对应的列名和每一列的值

Hive的分区方式：由于Hive实际是存储在HDFS上的抽象，Hive的一个分区名对应一个目录名，子分区名就是子目录名，并不是一个实际字段。

（2）分区建表

分区表使用partitioned by 子句指定，以指定字段列，需要指定字段类型。

--分区表建表sql
USE testdb;
CREATE TABLE test_partition (
    field1 String Comment 'field1 comment',
    field2 String Comment 'field2 comment'
)
Comment 'table comment'
PARTITIONED BY(d String Comment 'date')
STORED AS ORC;

--分区表查询
SELECT *
FROM testdb.test_partition
WHERE d = '2022-02-01';

建表完成后查看LOCATION参数为：'
hdfs://ns/user/hive/warehouse/testdb.db/test_partition'。当存储数据时，2022-02-01日期的数存储在hdfs://ns/user/hive/warehouse/testdb.db/test_partition/d=2022-02-01目录下。

如果指定多个分区列用逗号分隔开，如：建表是PARTITIONED BY(d String Comment 'date',h String Comment 'hour')，分区字段日期常用格式：d=yyyy-MM-dd，h=HH。第二个参数会作为子目录存储在HDFS上：***/test_partition/d=2022-02-01/h=12

3．分桶

（1）分桶原理

分桶表是在表或者分区表的基础上，进一步对表进行组织，分桶表的数据可以根据表中某列的哈希函数的值依次划分为存储桶，用于分桶的字段是数据中实际的一列。其原理：根据分桶的列计算hash值，对hash值取模运算，将数据放到对应的桶里。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。

如要按照name属性分为3个桶，就是对name属性值的hash值对3取摸，按照取模结果对数据分桶。如取模结果为0的数据记录存放到一个文件，取模为1的数据存放到一个文件，取模为2的数据存放到一个文件。

（2）分桶建表

分桶表由clustered by 子句指定，指定字段为真实字段，需要指定桶的个数，桶编号从零开始。

--分桶表建表sql，创建4个桶
USE testdb;
CREATE TABLE test_bucket (
    field1 String Comment 'field1 comment',
    field2 String Comment 'field2 comment'
)
COMMENT 'table comment'
clustered by (field1) into 4 buckets
row format delimited
fields terminated by ',';

--分桶表查询
SELECT *
FROM testdb.test_bucket
WHERE field1 = '0'

4．相同点和不同点

（1）相同点

分区和分桶表都是Hive细化数据管理，加快数据查询和分析。

（2）不同点

① 表现形式：

分区表是一个目录，分桶表是文件。

分桶随机分割数据库，分区是非随机分割数据库。因为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。

② 创建语句：

分区表使用partitioned by 子句指定，以指定字段为伪列，需要指定字段类型。

分桶表由clustered by 子句指定，指定字段为真实字段，需要指定桶的个数。

③ 数量：

分区表的分区个数可以增长，分桶表一旦指定，不能再增长。

④ 作用：

分区避免全表扫描，根据分区列查询指定目录提高查询速度。

分桶保存分桶查询结果的分桶结构（数据已经按照分桶字段进行了hash散列）。

分桶表数据进行抽样和JOIN时可以提高MR程序效率。