Hive bucket桶

Posted 2020-06-12

对于每一个表(table)或者分区，Hive可以进一步组织成桶。Hive也是针对某一列进行桶的组织。Hive采用对列值哈希，然后除于桶的个数求余的方式决定该条记录存放在哪个桶当中。采用桶能够带来一些好处，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，可以大大减少JOIN的数据量。

Hive中table可以拆分成Partition，table和Partition可以通过‘CLUSTERED BY‘进一步分bucket，bucket中的数据可以通过‘SORT BY‘排序。

Hive中bucket的主要作用：

1.数据sampling

2.提升某些查询操作效率，列如Map Side join

注：cluster by和sorted by不会影响数据的导入，这意味着，用户必须自己负责数据如何导入，包括数据的分桶和排序。另外一个要注意的就是使用桶表的使用一定要设置如下属性：

 

[java] view plain copy

 

1. hive.enforce.bucketing=true  

示例：

 

#建立student表，如下：

 

[java] view plain copy

 

1. hive (hive)> create table student(  
2.            > id int,age int,name string)  
3.            > partitioned by (stat_date string)  
4.            > clustered by(id) sorted by(age) into 2 buckets  
5.            > row format delimited   
6.            > fields terminated by ‘\t‘  
7.            > stored as textfile;  
8.            > stored as textfile;  
9. OK  
10. Time taken: 0.101 seconds  

#创建数据源

 

 

[java] view plain copy

 

1. [root@liaozhongmin5 src]# vim student  
2. [root@liaozhongmin5 src]# more student   
3. 1   22  lavimer  
4. 2   23  liaozhongmin  
5. 3   24  liaozemin  
6. 4   25  liaomin  
7. 5   26  min  

#启用桶表

 

 

[java] view plain copy

 

1. hive (hive)> set hive.enforce.bucketing=true;  

#导入数据

 

 

[java] view plain copy

 

1. hive (hive)> load data local inpath ‘/usr/local/src/student‘ into table student partition(stat_date=‘2015-01-29‘);  

 

 

#我在采用insert的语句将数据从表中查询出来从新覆盖进表中(因为通过load data的形式导入数据后能直观看到分桶的结构)：

 

[java] view plain copy

 

1. hive (hive)>   
2.            > insert overwrite table student                                
3.            > partition(stat_date=‘2015-01-29‘)  
4.            > select id,age,name from student where stat_date=‘2015-01-29‘ sort by age;  

此时查看文件系统中的目录结构如下：

 

注：不知道为什么使用load data的形式导入数据时就不会有分桶的结构。

#查看所有数据

 

[java] view plain copy

 

1. hive (hive)> select * from student;  
2. OK  
3. id  age name    stat_date  
4. 1   22  lavimer 2015-01-29  
5. 2   23  liaozhongmin    2015-01-29  
6. 3   24  liaozemin   2015-01-29  
7. 4   25  liaomin 2015-01-29  
8. 5   26  min 2015-01-29  
9. Time taken: 0.328 seconds  

#查看sampling数据

 

 

[java] view plain copy

 

1. hive (hive)> select * from student tablesample(bucket 1 out of 2 on id);  

 

注：上述语句表示抽取1(2/2)个bucket的数据从第一个桶中抽取数据。

 

结果如下：

 

[java] view plain copy

 

1. id  age name    stat_date  
2. 2   23  liaozhongmin    2015-01-29  
3. 4   25  liaomin 2015-01-29  

注：

 

tablesample是抽样语句，语法：tablesample(bucket x out of y)，y必须是table总共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2(64/32)个bucket的数据，当y=128时，抽取1/2(64/128)个bucket的数据。x表示从哪个bucket开始抽取。例如：table总共bucket数为32，tablesample(bucket 3 out of 16)表示总共抽取2(32/16)个bucket的数据，分别为第三个bucket和第19(3+16)个bucket的数据。