Hive中的桶表入门（适用于抽样查询）

1、基本概念

  （1）桶表是对某一列数据进行哈希取值以将数据打散，然后放到不同文件中存储。

  （2）在hive分区表中，分区中的数据量过于庞大时，建议使用桶。

  （3）在分桶时，对指定字段的值进行hash运算得到hash值，并使用hash值除以桶的个数做取余运算得到的值进行分桶，保证每个桶中有数据但每个桶中的数据不一定相等。

           做hash运算时，hash函数的选择取决于分桶字段的数据类型

  （4）分桶后的查询效率比分区后的查询效率更高

2、桶表的创建

  create table btable1 (id int) clustered by(id) into 4 buckets;

   创建只有一个字段（id）的桶表，按照id分桶，分为4个bucket，而bucket的数量等于实际数据插入中reduce的数量。

3、间接加载数据

  桶表不能通过load的方式直接加载数据，只能从另一张表中插入数据

4、操作示例

（1）环境配置，使hive能够识别桶

必须按照如下配置：
vim ~/.hiverc
添加：set hive.enforce.bucketing = true;

（2）创建桶表

create table btable1 (id int) clustered by(id) into 4 buckets;

（3）创建中间过渡表并为其加载数据

create table btest2(id int);
load data local inpath 'btest2' into table btest2;

（4）桶表的数据插入

insert into table btest1 select * from btest2;

（5）修改桶表中bueket数量

alter table btest3 clustered by(name,age) sorted by(age) into 10 buckets;

 （6）Hive中的抽样查询

　　select * from table_name tablesample(bucket X out of Y on field);

　　X表示从哪个桶中开始抽取，Y表示相隔多少个桶再次抽取。

　　Y必须为分桶数量的倍数或者因子，比如分桶数为6，Y为6，则表示只从桶中抽取1个bucket的数据；若Y为3，则表示从桶中抽取6/3（2）个bucket的数据

create table bkt(name string,id string,phone string,card_num bigint,email string,addr string) clustered by(card_num) into 30 buckets;
create table bak(name string,id string,phone string,card_num bigint,email string,addr string) row format delimited fields terminated by ','
load data local inpath '/home/xfvm/bak' into table bak;
insert into table bkt select * from bak;

　示例：

　　select * from bkt tablesample(bucket 2 out of 6 on card_num)

　　表示从桶中抽取5（30/6）个bucket数据，从第2个bucket开始抽取，抽取的个数由每个桶中的数据量决定。相隔6个桶再次抽取，因此，依次抽取的桶为：2，8，14，20，26

注意：执行数据插入时，reduce数量等于分桶数量

 5、Hive中的视图（按需查询，提高查询效率）

  创建视图时只是创建一个与源表的映射，视图中的字段由用户按需决定。

create view bktview as select bkt.card_num,bkt.name,bkt.email,bkt.addr from bkt

  视图的查询结果，数据实际上仍然存放在源表中。

  

转载