Hive：分桶的简介、原理、应用、创建

---

① Hive 数据管理、内外表、安装模式操作

② Hive：用SQL对数据进行操作，导入数据、清洗脏数据、统计数据订单

③ Hive：多种方式建表，需求操作

④ Hive：分区原因、创建分区、静态分区 、动态分区

⑤ Hive：分桶的简介、原理、应用、创建

⑥ Hive：优化 Reduce，查询过程；判断数据倾斜，MAPJOIN

---

1、Hive 分桶简介

分区提供了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都可形成合理的分区，尤其是需要确定合适大小的分区划分方式，（不合理的数据分区划分方式可能导致有的分区数据过多，而某些分区没有什么数据的尴尬情况。

数据分桶是将数据集分解为更容易管理的若干部分的另一种技术。将Hive 中数据划分成块，分区是粗粒度的划分，桶是细粒度的划分，这样做为了可以让查询发生在小范围提高效率。

---

2、分桶原理

我们可以将Hive中的分桶原理理解成MapReduce中的HashPartitioner的原理。基于hash值对数据进行分桶。

MR: 按照key的hash值除以reduceTask个数进行取余(reduce_id = key.hashcode % reduce.num) 。

Hive: 按照分桶字段(列)的hash值除以分桶的个数进行取余(bucket_id = column.hashcode % bucket.num)

分桶计算： hive 计算桶列的hash值再除以桶的个数取模，得到某条记录到底属于哪个桶。

定义桶数： 3个 0 1 2 
有数据：
user_id order_id gender
196     12010200  1
186     19201000  0
22      12891999  1
244     19192908  0

196%3 = 1 (在1分桶)
186%3 = 0 (在0分桶)
22%3 = 1 (在1分桶)

---

3、Hive 分桶应用场景

3.1 数据抽样

在处理大规模数据集时，尤其载数据挖掘的阶段，可以用一份数据验证一下，代码是否可以运行成功，进行局部测试，也可以抽样进行一些代表性统计分析。

3.2 map-side join

可以获得更高的查询处理效率。连接两个在（包含连接列的）相同列上划分了桶的表，可以使用 Map 端连接(Map-side join)高效的实现。比如JOIN操作，对于JOIN操作两个表有一个相同的列，如果对这两个表都进行了桶操作。那么将保存相同列值的桶进行JOIN操作就可以提高效率。

---

4、Hive 创建分桶

参数设置: set hive.enforce.bucketing = true (临时设置，退出终端，再打开 就会恢复false)。
这个打开后，会自动根据bucket个数自动分配Reduce task个数，得到bucket的个数和reduce个数是一致的。

set hive.enforce.bucketing = true

-- 1、创建分桶
create table bucket_user (
id int
)
clustered by (id) into 4 buckets;

-- 2、数据导入: 
insert overwrite table bucket_user select cast(user_id  as int) from udata;

-- 3、查找数据
select * from bucket_user limit 10;

hadoop fs -ls /user/hive/warehouse/badou.db/bucket_user

跟我们创建的时候一样，buckets=4，HDFS文件也显示4个文件，文件数据中，user_id的值符合桶的取模值。

hadoop fs -cat /user/hive/warehouse/badou.db/bucket_user/000000_0 | head -10
196 % 4 =0
276 % 4 =0
716 % 4 =0

---

5、数据抽样

select * from bucket_user tablesample(bucket 1 out of 16 on id) limit 10;

tablesample 是抽样语句，bucket x out of y)

x 表示从第几个分桶进行抽样，y每隔几个分桶取一个分桶，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64份，当y=32时，抽取(64/32=)2个bucket的数据；
当y=128时，抽取 (64/128=)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32，tablesample(bucket 1 out of 16)，表示总共抽取 （32/16=）2个bucket的数据，分别为第1个bucket和第(1+16)17个bucket的数据。

-- 总数：100000
 select count(*) from bucket_user;
 
-- 进行抽样：5742, x=1,y=16; 抽取的数据量差不多是1/16
select count(*) from bucket_user tablesample(bucket 1 out of 16 on id) limit 10;

6、提问的点

1、什么时候使用分区？ 什么时候使用分桶？

数据量比较大，为了快速查询使用分区；
更加细粒度的查询，数据抽样，数据倾斜使用分桶。

---

2、如何快速知道表的特性？

-- 查看表
show create table table_name;  
--直接看是否是分区表，内外部表，分桶
desc table_name;
-- 查分区
show partitions table_name;

3、如何快速知道订单号时候重复？

-- 方式一：判断结果是否一致。
select count(*) cnt, count(distinct order_id) order_cnt
from orders;

-- 方式二：
select order_id, count(distinct order_id) order_cnt
from orders
group by order_id
having order_cnt > 1;

4、确定数据的形式？
如何判断数据是增量分区， 还是全量分区（保存数据是T-1的全量，通常保存近一个月的数据为T-1的全量）？

-- 全量形式(会不断增加数据)：where dt='T-1' 多表关联 
2020-12-19 1000000
2020-12-18 9900000
2020-12-17 9800000

--增量形式：不包含历史所有的数据，只是当天的数据
2020-12-19 1000000
2020-12-18 1200000
2020-12-17 1009000