hive學習分割槽分桶和索引

hive引入partition和bucket的概念，中文翻譯分別為分割槽和桶（我覺的不是很合適，但是網上基本都是這麼翻譯，暫時用這個吧），這兩個概念都是把資料劃分成塊，分割槽是粗粒度的劃分桶是細粒度的劃分，這樣做為了可以讓查詢發生在小範圍的資料上以提高效率。

[b]分割槽的作用：使用分割槽可以加快資料分片的查詢速度。

桶的作用：(1)獲得更高效的查詢處理效率，桶為表加上了額外的結構。

(2)"取樣"更高效。在處理大規模資料集時，在開發和修改查詢階段，如果能在資料集的一小部分資料上試進行查詢，會帶來很多方便。[/b]

首先介紹分割槽的概念，還是先來個例子看下如果建立分割槽表：

create table logs_partition(ts bigint,line string) --ts timestamp line 每一行日誌

partitioned by (dt string,country string) -- 分割槽列 dt 日誌產生日期

建立分割槽表需要在定義表的時候宣告分割槽列，這個分割槽列是個比較有意思的東西下面來看看，向表中匯入資料：

load data local inpath 'input/hive/partitions/file1'
into table logs_partition
partition(dt='2001-01-01',country='gb');

.......

-- 看下表的結構

hive> desc logs_partition; okts bigint none line string none dt string none country string none # partition information # col_name data_type comment dt string none country string none

time taken: 0.265 seconds, fetched: 10 row(s)

檢視乙個表的所有分割槽

hive> show partitions logs_partition;
okdt=2001-01-01/country=gb
dt=2001-01-01/country=us
dt=2001-01-02/country=gb
dt=2001-01-02/country=us
time taken: 0.186 seconds, fetched: 4 row(s)

匯入完資料後看下hive資料倉儲表logs_partition下的檔案目錄結構

/user/hive/warehouse/logs_partition

screenshot from 2013-10-10 17:46:25

[b]看到了吧分割槽列都成了目錄了，這樣查詢的時候就會定位到某個目錄下而大大提高了查詢效率，在檢視表結構的時候分割槽列跟其他列並無區別，[/b]看個查詢語句：

select ts, dt, line from logs where country='gb'; 1 2001-01-01 log line 1 2 2001-01-01 log line 2 4 2001-01-02 log line 4

time taken: 36.316 seconds, fetched: 3 row(s)

這個查詢只會查詢file1, file2, file4這三個檔案還有乙個有趣的問題就是，檢視下資料檔案fieldx

裡面都只包含兩列ts和line並不包含dt和country這兩個分割槽列，但是從查詢結果看分割槽列和非分割槽列並無差別，實際上分割槽列都是從資料倉儲的分割槽目錄名得來的。

接下來說說桶，桶是更為細粒度的資料範圍劃分，它能使一些特定的查詢效率更高，比如對於具有相同的桶劃分並且jion的列剛好就是在桶裡的連線查詢，還有就是示例資料，對於乙個龐大的資料集我們經常需要拿出來一小部分作為樣例，然後在樣例上驗證我們的查詢，優化我們的程式。

下面看看如何建立帶桶的表

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

關鍵字clustered宣告劃分桶的列和桶的個數，這裡以使用者的id來劃分桶，劃分4個桶。

以下為了簡便劃分桶的列簡稱為桶列

hive會計算桶列的hash值再以桶的個數取模來計算某條記錄屬於那個桶

向這種帶桶的表裡面匯入資料有兩種方式，一種是外部生成的資料匯入到桶表，一種是利用hive來幫助你生成桶表資料

由於hive在load資料的時候不能檢查資料檔案的格式與桶的定義是否匹配，如果不匹配在查詢的時候就會報錯，所以最好還是讓hive來幫你生成資料，簡單來說就是利用現有的表的資料匯入到新定義的帶有桶的表中，下面來看看：

已經存在的表：

hive> select * from users;
ok0   nat
2   joe
3   kay
4   ann

hive> set hive.enforce.bucketing=true --必須設定這個資料，hive才會按照你設定的桶的個數去生成資料

下面把user的資料匯入到bucketed_users中

insert overwrite table bucketed-users

select * from users;

然後見證奇蹟的時刻：

hive> dfs -ls /user/hive/warehouse/bucketed_users; -rw-r--r-- 1 root supergroup 12 2013-10-10 18:48 /user/hive/warehouse/bucketed_users/000000_0 -rw-r--r-- 1 root supergroup 0 2013-10-10 18:48 /user/hive/warehouse/bucketed_users/000001_0 -rw-r--r-- 1 root supergroup 6 2013-10-10 18:48 /user/hive/warehouse/bucketed_users/000002_0

-rw-r--r-- 1 root supergroup 6 2013-10-10 18:48 /user/hive/warehouse/bucketed_users/000003_0

hive> dfs -cat /user/hive/warehouse/bucketed_users/000000_0;

0nat

4ann

下面來看看利用bucket來對示例資料進行查詢

---帶桶的表

select * from bucketed_users

tablesample(bucket 1 out of 4 on id);

---不帶桶的表

select * from users

tablesample(bucket 1 out of 4 on rand());

tablesample的作用就是讓查詢發生在一部分桶上而不是整個資料集上，上面就是查詢4個桶裡面第乙個桶的資料

相對與不帶桶的表這無疑是效率很高的,因為同樣都是需要一小部分資料，但是不帶桶的表需要使用rand（）函式，需要在整個資料集上檢索。

hive學習分割槽分桶和索引

hive學習分割槽分桶和索引

Hive的分割槽分桶索引

Hive分割槽分桶

hive學習 分割槽 分桶和索引

hive學習 分割槽 分桶和索引

Hive的分割槽 分桶 索引

Hive分割槽 分桶

相關推薦

hive學習分割槽分桶和索引

hive學習分割槽分桶和索引

Hive的分割槽分桶索引

Hive分割槽分桶