本文共 2518 字,大约阅读时间需要 8 分钟。
感谢原作者elsearch
hive中有桶的概念,对于每一个表或者分区,可以进一步组织成桶,说白点,就是更细粒度的数据范围。
hive采用列值哈希,然后除以桶的个数以求余的方式决定该条记录存放在哪个桶当中。 使用桶的好处: 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。
需要特别注意的是:clustered 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如何导入,包括数据的分桶和排序。 可以使用’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,看个例子
原始数据 15 xiaohong 16 xiaoming 17 xiaohuang 18 xiaocui 19 xiaoma 21 xiaocai 22 xiaojie 25 xiaoliu 28 xaoqi 先创建一张普通表,再创建一张桶的表。 复制代码create table student(id INT, age INT, name STRING)partitioned by(p_date STRING) row format delimited fields terminated by '\t';create table bucketed_student(id INT, age INT, name STRING)partitioned by(stat_date STRING) clustered by(id) sorted by(age) into 2 bucketrow format delimited fields terminated by '\t';
load数据到普通表,因为直接load到分桶的表是不会分桶,需要insert进行才会根据根据分桶要求进行分桶。
LOAD DATA LOCAL INPATH '/home//aaa' OVERWRITE INTO table bucketed_student partition(p_date='2016');set hive.enforce.bucketing = true;insert overwrite table bucketed_student partition(p_date='2016') select id,age,name from student where p_date=2016
查看两表的目录,发现分桶会生成两份数据文件
hadoop fs -ls /data/hive/warehouse/temp.db/bucketed_student/p_date=2016Found 2 items-rwxr-xr-x 3 webopa hive 50 2016-11-23 13:53 /data/hive/warehouse/temp.db/bucketed_student/p_date=2016/000000_0-rwxr-xr-x 3 webopa hive 68 2016-11-23 13:53 /data/hive/warehouse/temp.db/bucketed_student/p_date=2016/000001_0
普通表是一份
hadoop fs -ls /data/hive/warehouse/temp.db/student/p_date=2016Found 1 items-rwxrwxrwx 3 webopa hive 117 2016-11-23 11:41 /data/hive/warehouse/temp.db/student/p_date=2016/aaa
查看下分通表每个文件中的数据。偶数一个文件,基数一个文件。
hadoop fs -cat /data/hive/warehouse/temp.db/bucketed_student/p_date=2016/000000_08 28 xaoqi6 22 xiaojie4 19 xiaoma2 16 xiaominghadoop fs -cat /data/hive/warehouse/temp.db/bucketed_student/p_date=2016/000001_07 25 xiaoliu5 21 xiaocai3 18 xiaocui3 17 xiaohuang1 15 xiaohong
查看sampling数据:
select * from bucketed_student tablesample(bucket 1 out of 2 on id);8 28 xaoqi 20166 22 xiaojie 20164 19 xiaoma 20162 16 xiaoming 2016
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。转载地址:http://doiqi.baihongyu.com/