一、分桶表

1、建表语句

create table test_bucket_sorted (
id int comment 'ID',
name string comment '名字'
)
comment '测试分桶'
clustered by(id) sorted by (id) into 4 buckets
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' ;

上面建表指定了这张表分为四个桶。

2、原理：hive的分桶就是mapreduce的partition。

（1）原理：当insert插入数据到分桶表时，会把insert的sql转为mapreduce程序处理，而分桶表的桶数就是reducer的数量。

然后使用分桶键作为mapreduce的partition分区键，每条数据的分桶键的hash对桶数求余的值就是这一条数据所属reducer的索引。

我们知道，每个reducer都会一个文件。所以上面例子中的桶数是四，那么insert插入数据到分桶表后，我们在该表的hdfs目录下可以看到新增了四个文件。。文件命名与reducer的输出文件命名风格一样。

（2）注意：

《1》默认情况下，当插入的数据量不大的时候，是不会分桶的。

然后我测试的数据就只有9条：

[root@hadoopTest ~]# cat data.txt
1       name1
2       name2
3       name3
4       name4
5       name5
6       name6
7       name7
8       name8
9       name9

先把这些数据放到中间表里，这样才能用insert...select

所以为了测试出效果，我们需要设置属性为强制分桶：set hive.enforce.bucketing=true;

这样的话我们的insert就会分为四个reducer处理了。hdfs输出文件如下：

如果再次分桶插入数据，那么又会产生四个新文件：

《2》load data方式插入数据是不会分桶的，因为根本不会转为mapreduce程序处理。。

3、分桶表的作用：

方便数据抽样：select * from teacher tablesample(bucket 1 out 3 on name);

注：分桶语法----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3份，当y=3时，抽取（3/3）=1个bucket的数据，当y=6时，抽取（3/6）=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3，tablesample(bucket 3 out of 3)，表示总共抽取（3/3=）1个bucket的数据，抽取第3个bucket的数据。再例如：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。

查询第一个桶里数据，并返回一半数据：

select * from teacher tablesample(bucket 1 out of 6 on name);

二、分桶且桶内排序(clustered by+sorted by)

sorted by是需要与clustered by一起用的，不能单独用

1、建表

create table test_bucket_sorted (
id int comment 'ID',
name string comment '名字'
)
comment '测试分桶'
clustered by(id) sorted by (id) into 4 buckets
ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' ;

2、insert数据

insert数据到该表中所转为的mapreduce程序为：

将会启动与分桶数的相同的reducer任务。按id进行partition分区，不同数据根据partition分区给不同reducer处理。

然后，同一个reducer处理的数据都会按照sorted by 指定的字段进行排序。

从这里就能够知道，分桶表与分桶排序其实就是在insert数据到该表时，读取到该表设置了分桶与分桶排序，那么就会根据建表的分桶信息设置一个partitioner,然后根据建表的sorted by字段设置reducer阶段的WritableComparator，用于reducer段数据的排序。。

更详细的原来请看：https://www.jianshu.com/p/922e2e37ae22

三、分区表

1、建表语句：

create table dept_partition(deptno int, dname string, loc string)
partitioned by (month string)
row format delimited fields terminated by '\t';

2、插入和导入语句

（1）静态分区

insert overwrite table dept_partition partition(month='2015-01-19') select * from test;

load data local inpath '/root/hive/partitions/file1' into table dept_partition
partition (month='2015-01-19');

都是在后面指定要插入或者导入的分区就行。。。"2015-01-19"这个分区是一个文件夹，而文件夹的名字就是2015-01-19。

（2）动态分区

在insert ...select时，使用select 查询出的字段列表中的最后的字段作为分区的key（如果分区字段只有一个，那么就是使用select列表中的最后一个字段，如果分区字段有多个，那么就使用select列表的最后n个字段作为分区key），该字段值相同的数据会放到同一个分区。

#启动动态分区功能
set hive.exec.dynamic.partition=true;
#允许全部分区都是动态分区
set hive.exec.dynamic.partition.mode=nostrick;

#month_id为静态分区，day_id为动态分区：
insert overwrite table dynamic_test partition(month_id='201710',day_id)
select c1,c2,c3,c4,c5,c6,c7,day_id from kafka_offset
where substr(day_id,1,6)='201710';# month_id和 day_id均为动态分区：
insert overwrite table dynamic_test partition(month_id,day_id)
select c1,c2,c3,c4,c5,c6,c7,substr(day_id,1,6) as month_id,day_id from kafka_offset;

为了让分区列的值相同的数据尽量在同一个mapreduce中，这样每一个mapreduce可以尽量少的产生新的文件夹，可以借助distribute by的功能，将分区列值相同的数据放到一起。

insert overwrite table dynamic_test partition(month_id,day_id)
select c1,c2,c3,c4,c5,c6,c7,substr(day_id,1,6) as month_id,day_id from kafka_offset
distribute by month_id,day_id;

参考：https://blog.csdn.net/afafawfaf/article/details/80249974

2、原理：

不论insert还是load data，其实都是把数据全部放到该表的目录下的与分区名同名的目录下。。

这样的好处就是：

查询的时候把分区当做一个字段使用，在where条件中指定month='2015-01-19'，那么hive在查询数据只就只扫描该分区文件夹下面的数据，其他分区的数据就忽略了。可以提升效率。

四、分区分桶一起用

一起用时，在insert时就要指定分区(或者冬天分区)，然后按照分桶规则，在每个分区目录下进行分桶。

hive 建表，分桶表(clustered by)、分桶且桶内排序(clustered by+sorted by)、分区表(partitioned by)、分区分桶一起用相关推荐

Hive分桶表创建clustered by()
创建分桶表 -- 1 创建分桶表 create table t_us_covid19_bucket(count_date string,county string,state string,fips ...
Hive关于数据表的增删改（内部表、外部表、分区表、分桶表数据类型、分隔符类型）
建表基本语句格式 CREATE [external] TABLE if not exists student #默认建立内部表,加上external则是建立外部表(id int COMMENT'学号 ...
hive 修改分桶数分桶表_疯狂Hive之DDL操作二（三）
分区表创建在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分区概念分区表指的是在创建表的时 ...
hive分桶表join_Hive:JOIN及JOIN优化 2015.10.25
1. Join的基本原理大家都知道,Hive会将所有的SQL查询转化为Map/Reduce作业运行于Hadoop集群之上.在这里简要介绍Hive将Join转化为Map/Reduce的基本原理(其它查 ...
Hive：命令行界面、数据类型、DDL数据定义(数据库及表操作/分区分桶)、DML数据操作(数据导入导出)
目录 1.Hive命令行界面 1.1.选项列表 1.2.变量和属性 1.2.1.Hive中变量和属性命名空间 1.2.2.用户自定义变量 1.2.3..hiverc文件 1.3.一次使用的命令 1.4 ...
hive 修改分桶数分桶表_hive 学习之路（五)、Hive的分区表与分桶表
Hive将表划分为分区(partition)表和分桶(bucket)表. 分区可以让数据的部分查询变得更快,也就是说,在加载数据的时候可以指定加载某一部分数据,并不是全量的数据. 分桶表通常是在原始数 ...
hive详细笔记(四)-Hive内部表,外部表,分区表,分桶表详解(附带讲解视频)
本节目录内部表和外部表静态分区表动态分区表分桶表抽样查询 1 内部表和外部表未被external修饰的是内部表(managed table),被external修饰的为外部表(extern ...
大数据快速入门（09）：永久弄清楚 Hive 分区表和分桶表的区别
蛋蛋和小智今天又在"打情骂俏",他们今天在谈论分区表和分桶表,走,我们去听听. 这天,蛋蛋去茶水间倒水,他把水杯放在饮水机下面,打开开关,一直盯着墙上的画在看,灵魂仿佛已经飞 ...
Hive 分桶表原理及优化大表 join 实战
一.什么是分桶表分桶表,比普通表或者分区表有着更为细粒度的数据划分. 举个例子,每天产生的日志可以建立分区表,每个分区在 hdfs 上就是一个目录,这个目录下包含了当天的所有日志记录. 而分桶表,可 ...

hive 建表，分桶表(clustered by)、分桶且桶内排序(clustered by+sorted by)、分区表(partitioned by)、分区分桶一起用