网站icp备案信息是什么,再高权重网站加自己的链接会容易被收录吗,贷款客户大数据精准获客,WordPress 建电商网站1、分桶的意义
数据分区可能导致有些分区,数据过多#xff0c;有些分区,数据极少。分桶是将数据集分解为若干部分(数据文件)的另一种技术。
分区和分桶其实都是对数据更细粒度的管理。当单个分区或者表中的数据越来越大#xff0c;分区不能细粒度的划分数据时#xff0c;我…1、分桶的意义
数据分区可能导致有些分区,数据过多有些分区,数据极少。分桶是将数据集分解为若干部分(数据文件)的另一种技术。
分区和分桶其实都是对数据更细粒度的管理。当单个分区或者表中的数据越来越大分区不能细粒度的划分数据时我们就采用分桶技术将数据更细粒度的划分和管理。
分桶其实跟我们MR中的分区是一样的。
2、分桶的原理
与MapReduce中的HashPartitioner的原理一模一样 MapReduce使用key的hash值对reduce的数量进行取模(取余) hive使用分桶字段的hash值对分桶的数量进行取模(取余)。针对某一列进行分桶存储。每一条记录都是通过分桶字段的值的hash对分桶个数取余然后确定放入哪个桶。
MapReduce: Key 单词 reduce的数量是3个最后形成3个。 hello -- hello 进行hash算法 -- 得到的hash值对3取模0 1 2 MapReduce假如不指定分区是否有分区呢答案是有使用默认分区HashPartitioner。
Hive -- 假如 我指定分桶字段为 id , 桶的数量为 3个就是hash(id) % 3 0 1 2
桶是一个个的文件分区是一个个的文件夹。
hash 是一种算法你需要知道任何值都可以 hash
举例hello -- 237847238
hello.hashCode()
3、分桶有啥好处
分区的意义提高查询效率 分桶的意义将每一个分区的数据进行切分变成一个个小文件然后进行抽样查询从一堆数据中找一些数据进行分析。在进行多表联查的时候可以提高效率hive优化的时候再提。
两个大表 join使用分桶表查询速度快。
4、分桶的实战
创建分桶的表
create table stu_bucket(id int, name string)
clustered by(id)
into 4 buckets
row format delimited fields terminated by ; 设置reduce的数量
注意
想要将表创建为4个桶需要将hive中mapreduce.job.reduces参数设置为4或设置为-1;
通过 set mapreduce.job.reduces ; 可以查看参数的值hive (yhdb) set mapreduce.job.reduces;
mapreduce.job.reduces-1
hive (yhdb) set mapreduce.job.reduces-1;reduces -1 表示让系统自行决定reduce的数量。
在 wordcount 的时候创建了三个分区reduce 的数量设置为 3最合理也可以设置为 1也可以设置为 4。
加载数据:
建议不要使用load直接加载
使用创建普通表加载普通表的数据到分桶表。数据student.txt
1001 ss1
1002 ss2
1003 ss3
1004 ss4
1005 ss5
1006 ss6
1007 ss7
1008 ss8
1009 ss9
1010 ss10
1011 ss11
1012 ss12
1013 ss13
1014 ss14
1015 ss15
1016 ss16建议不要使用load直接加载但是可以尝试一下
load data local inpath /home/hivedata/student.txt into table stu_bucket; 如上所示Hive的分桶采用对分桶字段的值进行哈希,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。 1、reduce-1 让job自行决定开启多少个reduce或者设置数量大于等于桶的数量。
2、建议关闭本地模式 官方建议使用 创建临时表加载数据使用insert将数据插入到分桶表
hive(yhdb) truncate table stu_bucket;删除表内数据不删表结构因此只能删内表
hive(yhdb) create table temp_stu(id int, name string)
row format delimited fields terminated by ;
hive(yhdb) load data local inpath /home/hivedata/student.txt into table temp_stu;
hive(yhdb) insert into table stu_bucket select * from temp_stu cluster by (id); 5、分桶的查询
数据不对语法: tablesample(bucket x out of y on sno)select * from stu_bucket;
select * from stu_bucket tablesample(bucket 1 out of 1);查询第一桶
select * from stu_bucket tablesample(bucket 1 out of 4 on id);查询第一桶和第三桶
select * from stu_bucket tablesample(bucket 1 out of 2 on id);查询第二桶和第四桶的数据
select * from stu_bucket tablesample(bucket 2 out of 2 on id);
查询对8取余的第一桶的数据
select * from stu_bucket tablesample(bucket 1 out of 8 on id);
其他查询
查询前三条
select * from stu_bucket limit 3;
select * from stu_bucket tablesample(3 rows);
查询百分比的数据select * from stu_bucket tablesample(13 percent);大小的百分比所占的那一行。
查询固定大小的数据select * from stu_bucket tablesample(68b); 单位K,KB,MB,GB...固定大小所占的那一行。 byte--字节 bit --位
随机抽三行数据select * from stu_bucket order by rand() limit 3;
6、总结重要
定义阶段
clustered by (id); ---指定表内的字段进行分桶。
sorted by (id asc|desc) ---指定数据的排序规则表示咱们预期的数据是以这种规则进行的排序举例
create table stu_bucket2(id int, name string)
clustered by(id) sorted by(id desc)
into 4 buckets
row format delimited fields terminated by ; sorted by 指定分桶表中的每一个桶的排序规则
导入数据阶段
cluster by (id)
--指定getPartition以哪个字段来进行hash并且排序字段也是指定的字段排序是以asc排列
--相当于distribute by (id) sort by (id)insert into table stu_bucket select * from student cluster by (id);
想当于
insert into table stu_bucket select * from student distribute by (id) sort by (id) ;distribute by (id) -- 指定getPartition以哪个字段来进行hash
sort by (name asc | desc) --指定排序字段
-- 区别distribute by 这种方式可以分别指定getPartition和sort的字段
总结
分区使用的是表外字段分桶使用的是表内字段 分桶更加细粒度的管理数据更多的是使用来做抽样、join cluster 和 clusted 的区别一个是导入数据的时候调用的一个是创建表的时候使用的。 sort by 和 sorted by 区别sort by 是导入数据的时候sorted by 是分桶排序规则指定的时候 distribute by 和 cluster by 的区别前一个是分区后一个是分区并排序。 partition by 和 partitioned by 的区别partition by 一般和开窗函数一起使用partitioned by 建表的时候一起使用。
