Hive的分桶表

【分桶概述】

　　Hive表分区的实质是分目录（将超大表的数据按指定标准细分到指定目录），且分区的字段不属于Hive表中存在的字段；分桶的实质是分文件（将超大文件的数据按指定标准细分到分桶文件），且分桶的字段必须在Hive表中存在。

 

　　分桶的意义在于：

1. 1. 可以提高多表join的效率（因为通过分桶已经将超大数据集提取出来了。假如原数据被分了4个桶，此时2表join的时候只需要读取符合条件的一个分桶，则理论上效率可提升4倍）
   2. 加速数据抽样的效率（理由同上，只需要按照指定规则抽取指定分桶的数据即可，不需要扫描全表）

 

　　需要Hive表分桶的时候，我们可以注意到Reduce的任务数量 = 分桶的数量，也就是最终产生的分桶文件的个数，因为分桶表就是通过MapReduce任务计算而来。由此可见，其实桶的概念就是MapReduce的分区的概念，两者完全相同。

 

　　分桶表取样语法的核心：

select * from tableName tablesample(bucket x out of y on colum)。其中：
x：表示从第x个桶中抽取数据
y：表示每y个桶中抽取一次数据（必须是分桶数量的倍数 or 因子）

【用法简介】

1.开启支持分桶

set hive.enforce.bucketing=true;　　　　-- 默认：false --

　　设置为 true 之后，mr 运行时会根据 bucket 的个数自动分配 reduce task的个数。

　　当然，用户也可以通过 mapred.reduce.tasks 自己设置 reduce 任务个数，但分桶时不推荐使用。注意：一次作业产生的桶（文件数量）和 reduce task 个数一致）

2.往分桶表中加载数据

/* 往分桶表中插入数据的语法类似下面 */
insert into table bucket_table select columns from tbl;    -- 全新插入 --

insert overwrite table bucket_table select columns from tbl;    -- 覆盖重写 --

3.分桶表数据抽样

/*
抽样语法：TABLESAMPLE(BUCKET x OUT OF y)。其中：
x：表示从第x个桶中抽取数据
y：表示每y个桶中抽取一次数据（必须是分桶数量的倍数 or 因子）
*/
select * from bucket_table tablesample(bucket 1 out of 4 on columns);

【用法举例】

1. 假设本地文件 /root/hivedata/ft 中有以下内容：

zhang   12
lisi    34
wange   23
zhouyu  15
guoji   45
xiafen  48
yanggu  78
liuwu   41
zhuto   66
madan   71
sichua  89

2. 新建Hive常规表并导入本地文件：

hive> CREATE TABLE ft( id INT, name STRING, age INT)
      > ROW FORMAT DELIMITED FIELDS TERMINATED BY'\t';
OK
Time taken: 0.216 seconds

hive> load data local inpath'/root/hivedata/ft' into table ft;
Loading data to table hehe.ft
Table hehe.ft stats: [numFiles=1, totalSize=127]
OK
Time taken: 1.105 seconds

hive> select *from ft;
OK
1    zhang    12
2    lisi    34
3    wange    23
4    zhouyu    15
5    guoji    45
6    xiafen    48
7    yanggu    78
8    liuwu    41
9    zhuto    66
10    madan    71
11    sichua    89
NULL    NULL    NULL
Time taken: 0.229 seconds, Fetched: 12 row(s)

3. 创建分桶表：

hive> create table fentong(
    > id  int,
    > name string,
    > age int,)clustered by(age) into 4 buckets        -- 以字段age来划分成4个桶 --
    > row format delimited fields terminated by ',';

　　每行数据具体落入几号分桶的规则如下：

1. 1. 用表中指定的字段值(比如age)来除以桶的个数4；
   2. 结果取余数，也就是求模（若余数为0就放到1号桶，余数为1就放到2号桶，余数为2就放到3号桶，余数为3就放到4号桶）

4. 给分桶表导入数据：

hive> insert into table fentong select name,age from ft;

5. 查询分桶表数据以确认正确导入：

hive> select * from  fentong

6. 我们来看看分桶表的数据如何使用：

hive> select id, name, age from fentong tablesample(bucket 1 out of 4 on age);
OK
NULL    NULL    NULL
6    xiafen    48
1    zhang    12

hive> select id, name, age from fentong tablesample(bucket 2 out of 4 on age);
OK
11    sichua    89
8    liuwu    41
5    guoji            45

hive> select id, name, age from fentong tablesample(bucket 3 out of 4 on age);
OK
9    zhuto    66
7    yanggu    78
2    lisi    34