首页 > 代码库 > Hive中的分桶
Hive中的分桶
对于每一个表(table)或者分区, Hive可以进一步组织成桶,也就是说桶是更为细粒度的数据范围划分。Hive也是针对某一列进行桶的组织。Hive采用对列值哈希,然后除以桶的个数求余的方式决定该条记录存放在哪个桶当中。
把表(或者分区)组织成桶(Bucket)有两个理由:
(1)获得更高的查询处理效率。桶为表加上了额外的结构,Hive 在处理有些查询时能利用这个结构。具体而言,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,可以大大较少JOIN的数据量。
(2)使取样(sampling)更高效。在处理大规模数据集时,在开发和修改查询的阶段,如果能在数据集的一小部分数据上试运行查询,会带来很多方便。
按我的理解,所谓Hive中的分桶,实际就是指的MapReduce中的分区。根据Reduce的数量,分成不同个数的文件。
我们以一个demo进行说明。
创建分桶表
drop table stu_buck; create table stu_buck(id int, name string, score double) clustered by(id) sorted by(id ASC) into 4 buckets row format delimited fields terminated by ‘,‘;
设置变量,设置分桶为true, 设置reduce数量是分桶的数量个数
set hive.enforce.bucketing = true; set mapreduce.job.reduces=4;
我们从另外一个表student查询数据放到该表中,student中的表数据如下:
开始往创建的分通表插入数据(插入数据需要是已分桶, 且排序的)
可以使用distribute by(id) sort by(id asc)
排序和分桶的字段相同的时候也可以使用Cluster by(字段)
注意使用cluster by 就等同于分桶+排序(sort)
可以尝试以下几种方式:
insert into table stu_buck select id,name,score from student distribute by(id) sort by(id asc); insert overwrite table stu_buck select id,name,score from student distribute by(id) sort by(id asc); insert overwrite table stu_buck select id,name,score from student cluster by(id); insert overwrite table stu_buck select id,name,score from student cluster by(id) sort by(id); 报错,cluster 和 sort 不能共存
效果:
我们来查看以下文件的内容:
dfs -cat /user/hive/warehouse/test.db/stu_buck/000000_0;
dfs -cat /user/hive/warehouse/test.db/stu_buck/000001_0;
dfs -cat /user/hive/warehouse/test.db/stu_buck/000002_0;
dfs -cat /user/hive/warehouse/test.db/stu_buck/000003_0;
注:1、order by 会对输入做全局排序,因此只有一个reducer,会导致当输入规模较大时,需要较长的计算时间。
2、sort by不是全局排序,其在数据进入reducer前完成排序。因此,如果用sort by进行排序,并且设置mapred.reduce.tasks>1,则sort by只保证每个reducer的输出有序,不保证全局有序。
3、distribute by(字段)根据指定的字段将数据分到不同的reducer,且分发算法是hash散列。
4、Cluster by(字段) 除了具有Distribute by的功能外,还会对该字段进行排序。
5、创建分桶表并不意味着load进数据也是分桶的,你必须先分好桶,然后再放到表中。
因此,如果分桶和sort字段是同一个时,此时,cluster by = distribute by + sort by
分桶表的作用:最大的作用是用来提高join操作的效率;但是两者的分桶数要相同或者成倍数。
为什么可以提高join操作的效率呢?因为按照MapReduce的分区算法,是Id的HashCode值模上ReduceTaskNumbers,所以一个ID会分到同一个桶中,这样合并就不用整个表遍历求笛卡尔积了,对应的桶合并就可以了。
Hive中的分桶