hive的分桶原理

套話之分桶的定義：

　　分桶表是對列值取哈希值的方式，將不同數據放到不同文件中存儲。對於 hive 中每一個表、分區都可以進一步進行分桶。

列的哈希值除以桶的個數來決定每條數據划分在哪個桶中。（網上其它定義更詳細，有點繞，結合后面實例）

適用場景：數據抽樣（ sampling ）、map-join

 

干貨之分桶怎么分：

1.開啟支持分桶

set hive.enforce.bucketing=true;
默認：false；設置為 true 之后，mr 運行時會根據 bucket 的個數自動分配 reduce task 個數。
（用戶也可以通過 mapred.reduce.tasks 自己設置 reduce 任務個數，但分桶時不推薦使用）
注意：一次作業產生的桶（文件數量）和 reduce task 個數一致。

 

2.往分桶表中加載數據
insert into table bucket_table select columns from tbl;
insert overwrite table bucket_table select columns from tbl;

3.桶表 抽樣

select * from bucket_table tablesample(bucket 1 out of 4 on columns);
TABLESAMPLE 語法：
TABLESAMPLE(BUCKET x OUT OF y)
x：表示從哪個 bucket 開始抽取數據
y：必須為該表總 bucket 數的倍數或因子

 

4.分桶實例（詳解）

具體如下：

1.啟動hive（遠程一體化模式）：①service iptables stop // ② service mysqld start   // ③hive ---service  metastore //④ hive(老套路）  

2.准備：在node03節點的root/hivedata目錄下 創建一個數據文件ft

①vim  ft

1       zhang   12
2       lisi    34
3       wange   23
4       zhouyu  15
5       guoji   45
6       xiafen  48
7       yanggu  78
8       liuwu   41
9       zhuto   66
10      madan   71
11      sichua  89

 

注意:這里的數據間是用制表符'\t'來分隔的,后面在建表的時候要注意 terminated  by '\t';  不然導入表中的數據因為格式不符出現'null'  

 

②在數據庫heh.db中建表:

hive> CREATE TABLE ft( id INT, name STRING, age INT)
    > ROW FORMAT DELIMITED FIELDS TERMINATED BY'\t';
OK
Time taken: 0.216 seconds
hive> load data local inpath'/root/hivedata/ft' into table ft;
Loading data to table hehe.ft
Table hehe.ft stats: [numFiles=1, totalSize=127]
OK
Time taken: 1.105 seconds
hive> select *from ft;
OK
1    zhang    12
2    lisi    34
3    wange    23
4    zhouyu    15
5    guoji    45
6    xiafen    48
7    yanggu    78
8    liuwu    41
9    zhuto    66
10    madan    71
11    sichua    89
NULL    NULL    NULL
Time taken: 0.229 seconds, Fetched: 12 row(s)

 

再創建一張分桶表fentong並把ft的數據插入到fentong:

hive> create table fentong(
    > id  int,
    > name string,
    > age int,)clustered by(age) into 4 buckets
    > row format delimited fields terminated by ',';


創建一張表:它以字段age來划分成4個桶

插入數據:
hive> insert into table fentong select name,age from ft;

ok! 現在分桶表中出現之前創建的數據:select * from  fentong

 

 

③執行抽樣:  select id, name, age from  fentong  tablesample(bucket 1 out of 4 on age);

網上很多案例教程說的非常繞,一時很難離清楚,現分享如下通俗 易懂的教程:

怎么分:①在前面創建分桶表的時候有這樣語句:age int,)clustered by(age) into 4 buckets 說明本案例是以年齡age來划分成4個桶;

分桶的數據怎么分到四個桶:它是將表中對應的字段值(比如age)分別來除以桶的個數4,結果取余數(也就是取模),若余數為0就放到1號桶,余數為1就放到2號桶
余數為2就放到3號桶,余數為3就放到4號桶

 ②這句話怎么理解:select id, name, age from psnbucket tablesample(bucket 2 out of 4 on age);

它是說:將你的數據划分成4個桶,取四個桶中的第一個桶的數據

③運行程序

hive> select id, name, age from fentong tablesample(bucket 1 out of 4 on age);
OK
NULL    NULL    NULL
6    xiafen    48
1    zhang    12

hive> select id, name, age from fentong tablesample(bucket 2 out of 4 on age);
OK
11    sichua    89
8    liuwu    41
5    guoji            45

hive> select id, name, age from fentong tablesample(bucket 3 out of 4 on age);
OK
9    zhuto    66
7    yanggu    78
2    lisi    34

 

 

④推算過程: