索引，分割槽和分桶的區別

一、索引

簡介hive支援索引，但是hive的索引與關係型資料庫中的索引並不相同，比如，hive不支援主鍵或者外來鍵。

hive索引可以建立在表中的某些列上，以提公升一些操作的效率，例如減少mapreduce任務中需要讀取的資料塊的數量。

為什麼要建立索引？

hive的索引目的是提高hive表指定列的查詢速度。

沒有索引時，類似where tab1.col1 = 10的查詢，hive會載入整張表或分割槽，然後處理所有的rows，但是如果在字段col1上面存在索引時，那麼只會載入和處理檔案的一部分。

與其他傳統資料庫一樣，增加索引在提公升查詢速度時，會消耗額外資源去建立索引表和需要更多的磁碟空間儲存索引。

二、分割槽

簡介為了對錶進行合理的管理以及提高查詢效率，hive可以將表組織成「分割槽」。

分割槽是表的部分列的集合，可以為頻繁使用的資料建立分割槽，這樣查詢分割槽中的資料時就不需要掃瞄全表，這對於提高查詢效率很有幫助。

分割槽是一種根據分割槽列（partition column）的值對錶進行粗略劃分的機制。hive中每個分割槽對應著表很多的子目錄，將所有的資料按照分割槽列放入到不同的子目錄中去。

為什麼要分割槽？

龐大的資料集可能需要耗費大量的時間去處理。在許多場景下，可以通過分割槽的方法減少每一次掃瞄總資料量，這種做法可以顯著地改善效能。

資料會依照單個或多個列進行分割槽，通常按照時間、地域或者是商業維度進行分割槽。比如video表，分割槽的依據可以是電影的種類和評級，另外，按照拍攝時間劃分可能會得到更一致的結果。為了達到效能表現的一致性，對不同列的劃分應該讓資料盡可能均勻分布。

最好的情況下，分割槽的劃分條件總是能夠對應where語句的部分查詢條件。

hive的分割槽使用hdfs的子目錄功能實現。每乙個子目錄包含了分割槽對應的列名和每一列的值。但是由於hdfs並不支援大量的子目錄，這也給分割槽的使用帶來了限制。我們有必要對錶中的分割槽數量進行預估，從而避免因為分割槽數量過大帶來一系列問題。

hive查詢通常使用分割槽的列作為查詢條件。這樣的做法可以指定mapreduce任務在hdfs中指定的子目錄下完成掃瞄的工作。hdfs的檔案目錄結構可以像索引一樣高效利用。

三、分桶（桶表）

簡介桶是通過對指定列進行雜湊計算來實現的，通過雜湊值將乙個列名下的資料切分為一組桶，並使每個桶對應於該列名下的乙個儲存檔案。

為什麼要分桶？

在分割槽數量過於龐大以至於可能導致檔案系統崩潰時，我們就需要使用分桶來解決問題了。

分割槽中的資料可以被進一步拆分成桶，不同於分割槽對列直接進行拆分，桶往往使用列的雜湊值對資料打散，並分發到各個不同的桶中從而完成資料的分桶過程。

注意，hive使用對分桶所用的值進行hash，並用hash結果除以桶的個數做取餘運算的方式來分桶，保證了每個桶中都有資料，但每個桶中的資料條數不一定相等。

雜湊函式的選擇依賴於桶操作所針對的列的資料型別。除了資料取樣，桶操作也可以用來實現高效的map端連線操作。

記住，在資料量足夠大的情況下，分桶比分區有更高的查詢效率。

四、總結

索引和分割槽最大的區別就是索引不分割資料庫，分割槽分割資料庫。

索引其實就是拿額外的儲存空間換查詢時間，但分割槽已經將整個大資料庫按照分割槽列拆分成多個小資料庫了。

分割槽和分桶最大的區別就是分桶隨機分割資料庫，分割槽是非隨機分割資料庫。

因為分桶是按照列的雜湊函式進行分割的，相對比較平均；而分割槽是按照列的值來進行分割的，容易造成資料傾斜。

其次兩者的另乙個區別就是分桶是對應不同的檔案（細粒度），分割槽是對應不同的資料夾（粗粒度）。

注意：普通表（外部表、內部表）、分割槽表這三個都是對應hdfs上的目錄，桶表對應是目錄裡的檔案。