Hive之分桶表及抽样查询

---

• 写在前面

• 分桶表

  • 创建分桶表
  • 注意事项
  • insert方式将数据导入分桶表

• 抽样查询

---

写在前面

• Linux版本：CentOS7.5
• Hive版本：Hive-3.1.2

分桶表

• 我们都知道分区提供一个隔离数据和优化查询的便利方式。不过，并非所有的数据集都可形成合理的分区。对于一张表或者分区，Hive 可以进一步组织成桶，也就是更为细粒度的数据范围划分。
• 分桶是将数据集分解成更容易管理的若干部分的另一个技术。
• 比较：分区针对的是数据的存储路径；分桶针对的是数据文件。

创建分桶表

首先创建一个分桶表

（1）数据准备

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

（2）创建分桶表stu_bucket

create table stu_bucket(id int, name string)
clustered by(id) 
into 4 buckets
row format delimited fields terminated by '\t';

（3）查看表结构

hive (default)> desc formatted stu_bucket;
Num Buckets:            4     

（4）导入数据到分桶表中，load的方式

hive (default)> load data inpath   '/student.txt' into table stu_bucket;

（5）查看创建的分桶表中是否分成4个桶

（6）查询分桶的数据

hive(default)> select * from stu_buck;

（7）分桶规则：

根据结果可知：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

注意事项

分桶表操作需要注意的事项: （1）reduce的个数设置为-1,让Job自行决定需要用多少个reduce或者将reduce的个数设置为大于等于分桶表的桶数 （2）从hdfs中load数据到分桶表中，避免本地文件找不到问题 （3）不要使用本地模式

insert方式将数据导入分桶表

hive(default)>insert into table stu_buck select * from student_insert ;

抽样查询

对于非常大的数据集，有时用户需要使用的是一个具有代表性的查询结果而不是全部结果。这时候Hive可以通过对表进行 抽样 来满足这个需求。

• 抽样查询的语法: TABLESAMPLE(BUCKET x OUT OF y)

查询表stu_buck中的数据。

hive (default)> select * from stu_buck tablesample(bucket 1 out of 4 on id);

注意：x(1)的值必须 小于等于 y(4)的值，否则会出现以下的错误：

FAILED: SemanticException [Error 10061]: Numerator should not be bigger than denominator in sample clause for table stu_buck

全文结束！！！