目录
总结:
①分桶为抽样查询而生,分桶表的创建使用【clustered by (分桶字段)into 桶的个数 buckets】 ,往分桶表中导入数据的时候,需要借助第三张表select table_tmp 目的是借助MapReduce来实现导入不同的桶中,分桶的规则是分桶字段的hash值,模Reducer的个数;②分桶切割的是文件,分区并没有;③抽样查询的语法:tablesample(bucket x out of y on 分桶的字段)
分桶表:
分区提供一个隔离数据和优化查询的便利方式。不过,并非所有的数据集都可形成合理的分区。对于一张表或者分区,Hive 可以进一步组织成桶,也就是更为细粒度的数据范围划分。分桶是将数据集分解成更容易管理的若干部分的另一个技术。分区是便于抽样查询。
1,创建分区表:
create table stu_bucket(id int,name string)
clustered by (id) into 4 buckets
row format delimited
fields terminated by '\t';
0: jdbc:hive2://hadoop108:10000> show tables;
+-------------+--+
| tab_name |
+-------------+--+
| stu1 |
| stu2 |
| stu_bucket |
| stu_ex1 |
| stu_ex2 |
| stu_par1 |
| stu_par2 |
+-------------+--+
使用:desc formatted stu_bucket;查看该表是否是真的分桶表
在linux下写入数据:
[isea@hadoop108 datas]$ cat student.txt
1001 ss1
1002 ss2
1003 ss3
1004 ss4
1005 ss5
1006 ss6
1007 ss7
1008 ss8
1009 ss9
1010 ss10
1011 ss11
1012 ss12
1013 ss13
1014 ss14
1015 ss15
1016 ss16
[isea@hadoop108 datas]$ pwd
/opt/module/datas
如果使用:load data local inpath '/opt/module/datas/student.txt' into table stu_bucket;
这种导入数据的方式,直接将数据丢到stu_bucket所在的文件下面,并不会将数据拆分成文件,该种方式形成
的文件的路径是:/user/hive/warehouse/db_hive.db/stu_bucket/student.txt
如何清除表中的数据而不影响到表的结构:
truncate table stu_bucket;
如何在插入数据的时候完成对数据的切分呢?这应该要使用到MapReduce过程进行计算
先创建一个普通表,然后在使用select该表的内容insert到stu_bucket表中:
create table stu_tmp(id int,name string)
row format delimited
fields terminated by '\t';
load data local inpath '/opt/module/datas/student.txt' into table stu_tmp;
在分桶之前,我们需要将分桶的模式打开:
set hive.enforce.bucketing=true;
0: jdbc:hive2://hadoop108:10000> set hive.enforce.bucketing;
+------------------------------+--+
| set |
+------------------------------+--+
| hive.enforce.bucketing=true |
+------------------------------+--+
insert into table stu_bucket
select * from stu_tmp;
通过insert要走MapReduce,我们使用这样的方式来实现将文件的切分,查看一下我们的文件是否真的分桶了:
> !sh hadoop fs -ls /user/hive/warehouse/db_hive.db/stu_bucket
Found 4 items
-rwxr-xr-x 3 isea supergroup 38 2018-12-02 05:09 /user/hive/warehouse/db_hive.db/stu_bucket/000000_0
-rwxr-xr-x 3 isea supergroup 37 2018-12-02 05:09 /user/hive/warehouse/db_hive.db/stu_bucket/000001_0
-rwxr-xr-x 3 isea supergroup 38 2018-12-02 05:09 /user/hive/warehouse/db_hive.db/stu_bucket/000002_0
-rwxr-xr-x 3 isea supergroup 38 2018-12-02 05:09 /user/hive/warehouse/db_hive.db/stu_bucket/000003_0
我们可以查看一下文件的分割的规则:
!sh hadoop fs -cat /user/hive/warehouse/db_hive.db/stu_bucket/000000_0
1016 ss16
1012 ss12
1008 ss8
1004 ss4
!sh hadoop fs -cat /user/hive/warehouse/db_hive.db/stu_bucket/000001_0
1009 ss9
1005 ss5
1001 ss1
1013 ss13
!sh hadoop fs -cat /user/hive/warehouse/db_hive.db/stu_bucket/000002_0
1010 ss10
1002 ss2
1006 ss6
1014 ss14
!sh hadoop fs -cat /user/hive/warehouse/db_hive.db/stu_bucket/000003_0
1003 ss3
1011 ss11
1007 ss7
1015 ss15
我们观察得知分桶的规则是计算分桶字段的hash值,模上桶的个数得到桶号。如此一来,就能几乎做到均分,
便于我们对数据的抽样。
分桶和分区的区别:
分区针对的是数据的存储路径;分桶针对的是数据文件。
①分区之后形成的文件是类似于:/user/hive/warehouse/db_hive.db/stu_bucket/student.txt;
②分桶之后形成的文件类似于:student.txt将被分成了四个文件,如果桶对个数是4的话:
/user/hive/warehouse/db_hive.db/stu_bucket/000000_0
/user/hive/warehouse/db_hive.db/stu_bucket/000001_0
/user/hive/warehouse/db_hive.db/stu_bucket/000002_0
/user/hive/warehouse/db_hive.db/stu_bucket/000003_0
抽样查询:
对于非常大的数据集,有时用户需要使用的是一个具有代表性的查询结果而不是全部结果。Hive可以通过对表进行抽样来满足这个需求抽样查询的语法:
TABLESAMPLE(BUCKET x OUT OF y) 。注意:x的值必须小于等于y的值
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4份,当y=2时,抽取(4/2=)2个bucket的数据,当y=8时,抽取(4/8=)1/2个bucket的数据。x表示从哪个bucket开始抽取,如果需要取多个分区,以后的分区号为当前分区号加上y。例如,table总bucket数为4,tablesample(bucket 1 out of 2),表示总共抽取(4/2=)2个bucket的数据,抽取第1(x)个和第3(x+y)个bucket的数据。
下面是具体的案例:
首先,我们查看一下该stu_bucket中的所有数据:
> select * from stu_bucket;
+----------------+------------------+--+
| stu_bucket.id | stu_bucket.name |
+----------------+------------------+--+
| 1016 | ss16 |
| 1012 | ss12 |
| 1008 | ss8 |
| 1004 | ss4 |
| 1009 | ss9 |
| 1005 | ss5 |
| 1001 | ss1 |
| 1013 | ss13 |
| 1010 | ss10 |
| 1002 | ss2 |
| 1006 | ss6 |
| 1014 | ss14 |
| 1003 | ss3 |
| 1011 | ss11 |
| 1007 | ss7 |
| 1015 | ss15 |
+----------------+------------------+--+
> select * from stu_bucket tablesample(bucket 1 out of 4 on id);
+----------------+------------------+--+
| stu_bucket.id | stu_bucket.name |
+----------------+------------------+--+
| 1016 | ss16 |
| 1012 | ss12 |
| 1008 | ss8 |
| 1004 | ss4 |
+----------------+------------------+--+
> select * from stu_bucket tablesample(bucket 1 out of 2 on id);
+----------------+------------------+--+
| stu_bucket.id | stu_bucket.name |
+----------------+------------------+--+
| 1016 | ss16 |
| 1012 | ss12 |
| 1008 | ss8 |
| 1004 | ss4 |
| 1010 | ss10 |
| 1002 | ss2 |
| 1006 | ss6 |
| 1014 | ss14 |
+----------------+------------------+--+
> select * from stu_bucket tablesample(bucket 1 out of 8 on id);
+----------------+------------------+--+
| stu_bucket.id | stu_bucket.name |
+----------------+------------------+--+
| 1016 | ss16 |
| 1008 | ss8 |
+----------------+------------------+--+
总结:
①分桶表的创建使用clustered by (分桶字段)into 桶的个数 buckets ,往分桶表中导入数据的时候,需要借助第三张表select table_tmp 目的是借助MapReduce来实现导入不同的桶中,分桶的规则是分桶字段的hash值,模Reducer的个数;②分桶切割的是文件,分区并没有;③抽样查询的语法:tablesample(bucket x out of y on 分桶的字段)