wen hive学习笔记之五：分桶
欢迎访问我的GitHub
https://github.com/zq2599/blog_demos
内容：所有原创文章分类汇总及配套源码，涉及Java、Docker、Kubernetes、DevOPS等；
《hive学习笔记》系列导航
- 基本数据类型
- 复杂数据类型
- 内部表和外部表
- 分区表
- 分桶
- HiveQL基础
- 内置函数
- Sqoop
- 基础UDF
- 用户自定义聚合函数(UDAF)
- UDTF
本篇概览
本文是《hive学习笔记》的第五篇，前文学习了分区表，很容易发现分区表的问题：
- 分区字段的每个值都会创建一个文件夹，值越多文件夹越多；
- 不合理的分区会导致有的文件夹下数据过多，有的过少；
此时可以考虑分桶的方式来分解数据集，分桶原理可以参考MR中的HashPartitioner，将指定字段的值做hash后，根据桶的数量确定该记录放在哪个桶中，另外，在join查询和数据取样时，分桶都能提升查询效率；
- 接下来开始实战；
配置
- 执行以下设置，使得hive根据桶的数量自动调整上一轮reducers数量：
set hive.enforce.bucketing = true;
- 如果不执行上述设置，您需要自行设置mapred.reduce.tasks参数，以控制reducers数量，本文咱们配置为hive自动调整；
准备数据
接下来先准备外部表t13，往里面添加一些数据，将t13作为后面分桶表的数据源：
- 表名t13，只有四个字段：
create external table t13 (name string, age int, province string, city string)
row format delimited
fields terminated by ","
location "/data/external_t13";
- 创建名为013.txt的文件，内容如下：
tom,11,guangdong,guangzhou
jerry,12,guangdong,shenzhen
tony,13,shanxi,xian
john,14,shanxi,hanzhong
- 将013.txt中的四条记录载入t13：
load data
local inpath "/home/hadoop/temp/202010/25/013.txt"
into table t13;
分桶
- 创建表t14，指定字段分桶，桶数量为16：
create table t14 (name string, age int, province string, city string)
clustered by (province, city) into 16 buckets
row format delimited
fields terminated by ",";
- 从t13导入数据，注意语法是from t13开始，要用overwrite关键字：
from t13
insert overwrite table t14
select name, age, province, city;
- 导入过程如下图所示，可见reducer数量已被自动调整为桶数量：
- 导入后，查看hdfs，可见被分为16个文件，(和分区对比一下，分区是不同的文件夹)：
取样
执行以下语句，取样查看t14的数据：
hive> select * from t14 tablesample(bucket 1 out of 2 on province, city);
OK
tom 11 guangdong guangzhou
john 14 shanxi hanzhong
Time taken: 0.114 seconds, Fetched: 2 row(s)
- 至此，分桶操作就完成了，基础知识的实践已经完成，接下来开始一些进阶实践；
你不孤单，欣宸原创一路相伴
- Java系列
- Spring系列
- Docker系列
- kubernetes系列
- 数据库+中间件系列
- DevOps系列
欢迎关注公众号：程序员欣宸
微信搜索「程序员欣宸」，我是欣宸，期待与您一同畅游Java世界…
https://github.com/zq2599/blog_demos
