HIVE分区以及分桶的简单概念

Love The Way You Lie 2022-05-09 13:40 247阅读 0赞

### 1、Hive 分区表 ###

在Hive Select查询中一般会扫描整个表内容，会消耗很多时间做没必要的工作。有时候只需要扫描表中关心的一部分数据，因此建表时引入了partition概念。分区表指的是在创建表时指定的partition的分区空间。   
  
Hive可以对数据按照某列或者某些列进行分区管理，所谓分区我们可以拿下面的例子进行解释。   
当前互联网应用每天都要存储大量的日志文件，几G、几十G甚至更大都是有可能。存储日志，其中必然有个属性是日志产生的日期。在产生分区时，就可以按照日志产生的日期列进行划分。把每一天的日志当作一个分区。   
将数据组织成分区，主要可以提高数据的查询速度。至于用户存储的每一条记录到底放到哪个分区，由用户决定。即用户在加载数据的时候必须显示的指定该部分数据放到哪个分区。

1.1 实现细节

1、一个表可以拥有一个或者多个分区，每个分区以文件夹的形式单独存在表文件夹的目录下。   
2、表和列名不区分大小写。   
3、分区是以字段的形式在表结构中存在，通过describe table命令可以查看到字段存在， 但是该字段不存放实际的数据内容，仅仅是分区的表示（伪列） 。

1.2 语法

1. 创建一个分区表，以 ds 为分区列：   
create table invites (id int, name string) partitioned by (ds string) row format delimited fields terminated by 't' stored as textfile;   
2. 将数据添加到时间为 2013-08-16 这个分区中：   
load data local inpath '/home/hadoop/Desktop/data.txt' overwrite into table invites partition (ds='2013-08-16');   
3. 将数据添加到时间为 2013-08-20 这个分区中：   
load data local inpath '/home/hadoop/Desktop/data.txt' overwrite into table invites partition (ds='2013-08-20');   
4. 从一个分区中查询数据：   
select \* from invites where ds ='2013-08-12';   
5.  往一个分区表的某一个分区中添加数据：   
insert overwrite table invites partition (ds='2013-08-12') select id,max(name) from test group by id;   
可以查看分区的具体情况，使用命令：   
hadoop fs -ls /home/hadoop.hive/warehouse/invites   
或者：   
show partitions tablename;

### 2、Hive 桶 ###

对于每一个表（table）或者分区， Hive可以进一步组织成桶，也就是说桶是更为细粒度的数据范围划分。Hive也是 针对某一列进行桶的组织。Hive采用对列值哈希，然后除以桶的个数求余的方式决定该条记录存放在哪个桶当中。

把表（或者分区）组织成桶（Bucket）有两个理由：

（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。

1. 创建带桶的 table ：

create table bucketed\_user(id int,name string) clustered by (id) sorted by(name) into 4 buckets row format delimited fields terminated by '\\t' stored as textfile;   
首先，我们来看如何告诉Hive—个表应该被划分成桶。我们使用CLUSTERED BY 子句来指定划分桶所用的列和要划分的桶的个数：   
  
CREATE TABLE bucketed\_user (id INT) name STRING)   
CLUSTERED BY (id) INTO 4 BUCKETS;   
  
在这里，我们使用用户ID来确定如何划分桶(Hive使用对值进行哈希并将结果除 以桶的个数取余数。这样，任何一桶里都会有一个随机的用户集合（PS：其实也能说是随机，不是吗？）。   
  
对于map端连接的情况，两个表以相同方式划分桶。处理左边表内某个桶的 mapper知道右边表内相匹配的行在对应的桶内。因此，mapper只需要获取那个桶 (这只是右边表内存储数据的一小部分)即可进行连接。这一优化方法并不一定要求 两个表必须桶的个数相同，两个表的桶个数是倍数关系也可以。用HiveQL对两个划分了桶的表进行连接，可参见“map连接”部分（P400）。   
  
桶中的数据可以根据一个或多个列另外进行排序。由于这样对每个桶的连接变成了高效的归并排序(merge-sort), 因此可以进一步提升map端连接的效率。以下语法声明一个表使其使用排序桶：   
  
CREATE TABLE bucketed\_users (id INT, name STRING)   
CLUSTERED BY (id) SORTED BY (id ASC) INTO 4 BUCKETS;   
  
我们如何保证表中的数据都划分成桶了呢？把在Hive外生成的数据加载到划分成 桶的表中，当然是可以的。其实让Hive来划分桶更容易。这一操作通常针对已有的表。   
  
Hive并不检查数据文件中的桶是否和表定义中的桶一致(无论是对于桶 的数量或用于划分桶的列）。如果两者不匹配，在査询时可能会碰到错 误或未定义的结果。因此，建议让Hive来进行划分桶的操作。   
  
有一个没有划分桶的用户表：   
hive> SELECT \* FROM users;   
0    Nat   
2    Doe   
B    Kay   
4    Ann

2. 强制多个 reduce 进行输出：

要向分桶表中填充成员，需要将 hive.enforce.bucketing 属性设置为 true。①这 样，Hive 就知道用表定义中声明的数量来创建桶。然后使用 INSERT 命令即可。需要注意的是： 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。   
'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，当然，用户也可以自主设置mapred.reduce.tasks去适配bucket个数，推荐使用'set hive.enforce.bucketing = true'

3. 往表中插入数据：

INSERT OVERWRITE TABLE bucketed\_users SELECT \* FROM users;   
  
物理上，每个桶就是表(或分区）目录里的一个文件。它的文件名并不重要，但是桶 n 是按照字典序排列的第 n 个文件。事实上，桶对应于 MapReduce 的输出文件分区：一个作业产生的桶(输出文件)和reduce任务个数相同。我们可以通过查看刚才 创建的bucketd\_users表的布局来了解这一情况。运行如下命令：

4. 查看表的结构：

hive> dfs -ls /user/hive/warehouse/bucketed\_users;   
将显示有4个新建的文件。文件名如下(文件名包含时间戳，由Hive产生，因此 每次运行都会改变)：   
attempt\_201005221636\_0016\_r\_000000\_0   
attempt\_201005221636\_0016\_r-000001\_0   
attempt\_201005221636\_0016\_r\_000002\_0   
attempt\_201005221636\_0016\_r\_000003\_0   
第一个桶里包括用户IDO和4，因为一个INT的哈希值就是这个整数本身，在这里 除以桶数(4)以后的余数：②

5. 读取数据，看每一个文件的数据：

hive> dfs -cat /user/hive/warehouse/bucketed\_users/\*0\_0;   
0 Nat   
4 Ann   
  
用TABLESAMPLE子句对表进行取样，我们可以获得相同的结果。这个子句会将 查询限定在表的一部分桶内，而不是使用整个表：

6. 对桶中的数据进行采样：

hive> SELECT \* FROM bucketed\_users   
>    TABLESAMPLE(BUCKET 1 OUT OF 4 ON id);   
0 Nat   
4 Ann   
  
桶的个数从1开始计数。因此，前面的查询从4个桶的第一个中获取所有的用户。 对于一个大规模的、均匀分布的数据集，这会返回表中约四分之一的数据行。我们 也可以用其他比例对若干个桶进行取样(因为取样并不是一个精确的操作，因此这个 比例不一定要是桶数的整数倍)。例如，下面的查询返回一半的桶：

7. 查询一半返回的桶数：

hive> SELECT \* FROM bucketed\_users   
>    TABLESAMPLE(BUCKET 1 OUT OF 2 ON id)；   
0 Nat   
4 Ann   
2 Joe   
  
因为查询只需要读取和TABLESAMPLE子句匹配的桶，所以取样分桶表是非常高效 的操作。如果使用rand()函数对没有划分成桶的表进行取样，即使只需要读取很 小一部分样本，也要扫描整个输入数据集：   
  
hive〉 SELECT \* FROM users   
> TABLESAMPLE(BUCKET 1 OUT OF 4 ON rand());   
2 Doe   
  
①从Hive 0.6.0开始，对以前的版本，必须把mapred.reduce .tasks设为表中要填 充的桶的个数。如果桶是排序的，还需要把hive.enforce.sorting设为true。   
②显式原始文件时，因为分隔字符是一个不能打印的控制字符，因此字段都挤在一起。

### 3、举个完整的小例子： ###

（1）建student & student1 表：

<table> 
 <tbody> 
  <tr> 
   <td><code>1</code></td> 
   <td><code>create</code>&nbsp;<code>table</code>&nbsp;<code>student(id&nbsp;</code><code>INT</code><code>, age&nbsp;</code><code>INT</code><code>,&nbsp;</code><code>name</code>&nbsp;<code>STRING)</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>2</code></td> 
   <td><code>partitioned&nbsp;</code><code>by</code><code>(stat_date STRING)</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>3</code></td> 
   <td><code>clustered&nbsp;</code><code>by</code><code>(id) sorted&nbsp;</code><code>by</code><code>(age)&nbsp;</code><code>into</code>&nbsp;<code>2 buckets</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>4</code></td> 
   <td><code>row format delimited fields terminated&nbsp;</code><code>by</code>&nbsp;<code>','</code><code>;</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>6</code></td> 
   <td><code>create</code>&nbsp;<code>table</code>&nbsp;<code>student1(id&nbsp;</code><code>INT</code><code>, age&nbsp;</code><code>INT</code><code>,&nbsp;</code><code>name</code>&nbsp;<code>STRING)</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>7</code></td> 
   <td><code>partitioned&nbsp;</code><code>by</code><code>(stat_date STRING)</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>8</code></td> 
   <td><code>clustered&nbsp;</code><code>by</code><code>(id) sorted&nbsp;</code><code>by</code><code>(age)&nbsp;</code><code>into</code>&nbsp;<code>2 buckets</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>9</code></td> 
   <td><code>row format delimited fields terminated&nbsp;</code><code>by</code>&nbsp;<code>','</code><code>;</code></td> 
  </tr> 
 </tbody> 
</table>

（2）设置环境变量：

set hive.enforce.bucketing = true;

（3）插入数据：

<table> 
 <tbody> 
  <tr> 
   <td><code>01</code></td> 
   <td><code>cat bucket.txt</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>07</code></td> 
   <td><code>5,22,android</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>08</code></td> 
   <td><code>6,23,symbian</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>11</code></td> 
   <td><code>LOAD</code>&nbsp;<code>DATA&nbsp;</code><code>local</code>&nbsp;<code>INPATH&nbsp;</code><code>'/home/lijun/bucket.txt'</code>&nbsp;<code>OVERWRITE&nbsp;</code><code>INTO</code>&nbsp;<code>TABLE</code>&nbsp;<code>student partition(stat_date=</code><code>"20120802"</code><code>);</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>13</code></td> 
   <td><code>from</code>&nbsp;<code>student</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>14</code></td> 
   <td><code>insert</code>&nbsp;<code>overwrite&nbsp;</code><code>table</code>&nbsp;<code>student1 partition(stat_date=</code><code>"20120802"</code><code>)</code></td> 
  </tr> 
 </tbody> 
</table>

<table> 
 <tbody> 
  <tr> 
   <td><code>15</code></td> 
   <td><code>select</code>&nbsp;<code>id,age,</code><code>name</code>&nbsp;<code>where</code>&nbsp;<code>stat_date=</code><code>"20120802"</code>&nbsp;<code>sort&nbsp;</code><code>by</code>&nbsp;<code>age;</code></td> 
  </tr> 
 </tbody> 
</table>

（4）查看文件目录：

hadoop fs -ls /hive/warehouse/test.db/student1/stat\_date=20120802   
Found 2 items   
\-rw-r--r--   2 lijun supergroup         31 2013-11-24 19:16 /hive/warehouse/test.db/student1/stat\_date=20120802/000000\_0   
\-rw-r--r--   2 lijun supergroup         39 2013-11-24 19:16 /hive/warehouse/test.db/student1/stat\_date=20120802/000001\_0

（5）查看sampling数据：

hive> select \* from student1 tablesample(bucket 1 out of 2 on id);

Total MapReduce jobs = 1  
Launching Job 1 out of 1  
.......  
OK  
4       18      mac     20120802  
2       21      ljz     20120802  
6       23      symbian 20120802  
Time taken: 20.608 seconds  
  
注：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总共分了64份，当y=32时，抽取(64/32=)2个bucket的数据，当y=128时，抽取(64/128=)1/2个bucket的数据。x表示从哪个bucket开始抽取。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。