首页 > 代码库 > Hive bucket
Hive bucket
Hive中不支持对数据的改写和添加,所有的数据都是在加载的时候中确定好的
由于数据的访问延迟较高,决定了 Hive 不适合在线数据查询
Hivebucket:
hive中table可以拆分partition,table和partition可以通过‘CLUSTERED(聚集) BY ’进一步分bucket,bucket中的数据可以通过‘SORT BY’排序
ucket主要作用:
1. 数据sampling(抽样)
2. 提升某些查询操作效率,例如map side join
需要特别注意的是:clustered by和sorted by不会影响数据的导入,这意味着,用户必须自己负责数据如何如何导入,包括数据的分桶和排序。
‘sethive.enforce.bucketing = true‘ 可以自动控制上一轮reduce的数量从而适配bucket的个数,当然,用户也可以自主设置mapred.reduce.tasks去适配bucket个数,推荐使用‘set hive.enforce.bucketing = true‘
示例:
建临时表user_tmp并导入数据:
hive> select * from user_tmp;
Id age name stat
1 20 zxm 20140801
2 21 ljz 20140801
3 19 cds 20140801
建student表:
hive>create table user(id INT, age INT, nameSTRING)
>partitionedby(stat_date STRING)
>clustered by(id) sorted by(age)into 2 bucket
>row formatdelimited fields terminated by ‘,‘;
设置环境变量:
>set hive.enforce.bucketing = true;
插入数据:
>from student_tmp
>insert overwrite table user partition(stat_date="20140802")
>select id,age,name where stat_date="20140801" sort by age;
查看文件目录:
$ hadoop fs -ls /user/hive/warehouse/usertstat_date=20120802/
Found 2 items
-rw-r--r-- 1 work supergroup 31 2014-07-3119:52 /user/hive/warehouse/user/stat_date=20120802/000000_0
-rw-r--r-- 1 work supergroup 39 2014-07-3119:52 /user/hive/warehouse/user/stat_date=20120802/000001_0
查看sampling数据:
hive>select*from user tablesample( bucket
1out of 2 on id);
Total MapReduce jobs = 1
4 18 mac 20120802
2 21 ljz 20120802
6 23 symbian 20120802
tablesample是抽样语句,语法:TABLESAMPLE(BUCKETx 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 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。