hive -- 分区，分桶(创建，修改，删除)

hive -- 分区，分桶(创建，修改，删除)

分区：

静态创建分区：

1. 数据：

john doe	10000.0
mary smith	8000.0
todd jones	7000.0
boss man	20000.0
freed finance	15000.0
stacy saber	4000.0

建表+添加一个数据

create table if not exists employees(
name string,
money float)
row format delimited fields terminated by '\t'
stored as textfile;

load data local inpath '/home/data/employees.txt' into table employees;

问题：查询工资在8000元到10000元之间的人和工资

select *
from employees
where money between 8000 and 10000;

问题：按照工资添加新列，少于5000元的添加low，5000-7000元之间的添加middle，7000-10000元的添加hight，10000元以上添加very hight

select
name,money,
case
when money>=5000 then(
case
when money>=7000 then(
case
when money>=10000 then 'very hight'
else 'hight' end
)
else 'middle' end
)
else 'low' end
from employees;

2.数据(分区)

li1	man	20
li11	man	21
li12	man	18
li13	woman	19
li14	man	20
li15	woman	21
li16	woman	22
li17	man	23
li18	man	24

建表+添加数据

create table if not exists p0(
name string,
sex string,
age string)
row format delimited fields terminated by '\t'
stored as textfile;

load data local inpath '/home/data/p0.txt' into table p0;

如何定义分区，准备创建分区  具有了分区的能力的表

分区用途 目的： 查询速度大大增加，所以分区数据

分区方式一：静态分区

注：
1、静态分区要放在动态分区前面
2、静态分区的字段不要出现在select后面

create table if not exists p0_1(
name string,
age string
)
partitioned by (sex string)
row format delimited fields terminated by '\t'
stored as textfile;

根据性别分区：

alter table p0_1 add partition (sex='man');
alter table p0_1 add partition(sex='woman');

在分区中插入数据

insert into p0_1
partition(sex='man')
select name,age
from p0
where sex='man';

insert into p0_1
partition(sex='woman')
select name,age
from p0
where sex='woman';

--显示分区

show partitions p0_1;

--显示分区路径

根据年龄分区：

create table if not exists p0_2(
name string,
sex string)
partitioned by (age string)
row format delimited fields terminated by '\t'
stored as textfile;

alter table p0_2
add
partition(age='18')
partition(age='19')
partition(age='20')
partition(age='21')
partition(age='22')
partition(age='23')
partition(age='24');

insert into p0_2
partition(age='18')
select name,sex
from p0
where age='18';

insert into p0_2
partition(age='19')
select name,sex
from p0
where age='19';

insert into p0_2
partition(age='20')
select name,sex
from p0
where age='20';

insert into p0_2
partition(age='21')
select name,sex
from p0
where age='21';

insert into p0_2
partition(age='22')
select name,sex
from p0
where age='22';

insert into p0_2
partition(age='23')
select name,sex
from p0
where age='23';

insert into p0_2
partition(age='24')
select name,sex
from p0
where age='24';

--修改分区，相当于修改hdfs文件名-->mv {修改时文件名不能重复}

alter table p0_2 partition(age='18') rename to partition(age='17');

--删除分区

alter table p0_2 drop partition(age='17');

动态创建分区

数据一：

建表+填数据

create table if not exists p2(
name string,
sex string,
birth string,
age string) 
row format delimited fields terminated by '\t'
stored as textfile;

load data local inpath '/home/data/p2.txt' into table p2;

--是否开启动态分区功能，默认false关闭

set hive.exec.dynamic.partition=ture;

-- 设置动态分区模式

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

-- 设置动态分区模式为非严格模式，这样可以指定全部的分区字段都为动态的 一般开启

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

-- 设置总的动态分区个数

set set hive.exec.dynamic.partitions=1000;

-- 设置每个节点上动态分区个数

set set hive.exec.dynamic.partitions.pernode=100;

分区：

create table if not exists p22_1(
name string,
sex string
)
partitioned by(birth string,age string)
row format delimited fields terminated by '\t'
stored as textfile;

插入数据：

insert into table p22_1
partition(birth,age)
select name,sex,birth,age
from p22;

分桶：

分桶介绍：
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。

    桶(bucket)是指将表或分区中指定列的值为key进行hash，hash到指定的桶中，这样可以支持高效采样工作。
    
# ------------------分桶意义---------------------
 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。连接两个在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。
（2）使取样（sampling）更高效。

数据:

建表+添加数据

create table if not exists bucket_user_tmp(
id int,
name string)
row format delimited fields terminated by '\t'
stored as textfile;

load data local inpath '/home/data/users.txt' into table bucket_user_tmp;

创建分桶：按id分

create table bucket_user (id int,name string)
clustered by(id) into 4 buckets;

设置分桶：-- 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 into table bucket_user
select id,name
from bucket_user_tmp;

桶中数据:

桶中数据是按照：hive会计算桶列的hash值再以桶的个数取模来计算某条记录属于那个桶,每个桶对应一个reduce

id  id%4   0  1  2  3   hashcode

------------------分桶抽样---------------------

建一张分桶的表：

数据：一百万条数据

建表+添加数据：

create table if not exists bucket_tab1_tmp (
id int)
row format delimited fields terminated by '\t'
stored as textfile;

load data local inpath '/home/data/data10.txt' into table bucket_tab1_tmp;

分桶：

create table bucket_tab1 (id int)
clustered by(id) into 4 buckets;

桶内插入数据：

insert into table bucket_tab1
select *
from bucket_tab1_tmp;

1.将会从表lxw1中取样1M的数据：

select *
from bucket_tab1
tablesample(1M);

2.-- 带桶表的抽样 1 2 3 4 每个桶 25%  我一共有一百万条数据，25%就是20万条左右，集体还得看每条数据得大小

-- 不带桶表的抽样 不一定哪个桶 25%

select *
from bucket_tab1
tablesample(bucket 1 out of 4 on rand());

最后总结下吧

分区+分桶的sql：

create table student(id int,age int,name string)

partitioned by(stat_date string)

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

row formate delimited fields terminated bu ',';

hive基于hadoop得一个数据仓库，它得数据库建表使用反三范式，一个要求：快！查询快。

所以呢，它又是分区又是分组得，其实就是为了查询快，减少暴力扫描数据量，提高查询效率。

而分桶可以基于原表或分区后得表进行分桶，分桶是细过滤，但是，他们呢都是为了提高效率，那么想想hive会要不要建立索引呢?

我想一般不会，建立索引后原来表所占内存是建立索引后的2-3倍，但是速度也会得到提升，但是所用消耗费用也大，于此分区和分桶就代替了索引，他们跟为方便简介，也达到了同样的效果。