大数据Hive--分区表和分桶表

文章目录

一、分区表

1.1 分区表

Hive中的分区就是把一张大表的数据按照业务需要分散的存储到多个目录，每个目录就称为该表的一个分区。在查询时通过where子句中的表达式选择查询所需要的分区，这样的查询效率会提高很多。

1.1.1 分区表基本语法

1.1.1.1 创建分区表

createtable dept_partition
(
    deptno int,--部门编号
    dname  string,--部门名称
    loc    string  --部门位置)
    partitioned by(day string)row format delimited fieldsterminatedby'\t';

1.1.1.2 分区表读写数据

1）写数据

load

在/opt/module/hive/datas/路径上创建文件dept_20220401.log，并输入如下内容

[yudan@hadoop102 datas]$ vim dept_20220401.log

10    行政部    1700
20    财务部    1800

loaddatalocal inpath '/opt/module/hive/datas/dept_20220401.log'intotable dept_partition 
partition(day='20220401');

insert

将day='20220401’分区的数据插入到day='20220402’分区，可执行如下装载语句

insert overwrite table dept_partition partition(day='20220402')select deptno, dname, loc
from dept_partition
whereday='2020-04-01'

2）读数据

查询分区表数据时，可以将分区字段看作表的伪列，可像使用其他字段一样使用分区字段。

select deptno, dname, loc ,dayfrom dept_partition
whereday='2020-04-01';

1.1.1.3 分区表基本操作

1）查看所有分区信息

show partitions dept_partition;

2）增加分区

（1）创建单个分区

altertable dept_partition 
addpartition(day='20220403');

（2）同时创建多个分区（分区之间不能有逗号）

altertable dept_partition 
addpartition(day='20220404')partition(day='20220405');

3）删除分区

（1）删除单个分区

altertable dept_partition 
droppartition(day='20220403');

（2）同时删除多个分区（分区之间必须有逗号）

altertable dept_partition 
droppartition(day='20220404'),partition(day='20220405');

4）修复分区

Hive将分区表的所有分区信息都保存在了元数据中，只有元数据与HDFS上的分区路径一致时，分区表才能正常读写数据。若用户手动创建/删除分区路径，Hive都是感知不到的，这样就会导致Hive的元数据和HDFS的分区路径不一致。再比如，若分区表为外部表，用户执行drop partition命令后，分区元数据会被删除，而HDFS的分区路径不会被删除，同样会导致Hive的元数据和HDFS的分区路径不一致。

若出现元数据和HDFS路径不一致的情况，可通过如下几种手段进行修复。

（1）add partition

若手动创建HDFS的分区路径，Hive无法识别，可通过add partition命令增加分区元数据信息，从而使元数据和分区路径保持一致。

（2）drop partition

若手动删除HDFS的分区路径，Hive无法识别，可通过drop partition命令删除分区元数据信息，从而使元数据和分区路径保持一致。

（3）msck

若分区元数据和HDFS的分区路径不一致，还可使用msck命令进行修复，以下是该命令的用法说明。

msck repair table table_name [add/drop/sync partitions];

• 说明：- msck repair table table_name add partitions：该命令会增加HDFS路径存在但元数据缺失的分区信息。- msck repair table table_name drop partitions：该命令会删除HDFS路径已经删除但元数据仍然存在的分区信息。- msck repair table table_name sync partitions：该命令会同步HDFS路径和元数据分区信息，相当于同时执行上述的两个命令。- msck repair table table_name：等价于msck repair table table_name add partitions命令。

1.2 二级分区表

如果一天内的日志数据量也很大，如何再将数据拆分?答案是二级分区表，例如可以在按天分区的基础上，再对每天的数据按小时进行分区。

1）二级分区表建表语句

createtable dept_partition2(
    deptno int,-- 部门编号
    dname string,-- 部门名称
    loc string     -- 部门位置)
partitioned by(day string,hour string)row format delimited fieldsterminatedby'\t';

2）数据装载语句

loaddatalocal inpath '/opt/module/hive/datas/dept_20220401.log'intotable dept_partition2 
partition(day='20220401',hour='12');

3）查询分区数据

select*from dept_partition2 
whereday='20220401'andhour='12';

1.3 动态分区

动态分区是指向分区表insert数据时，被写往的分区不由用户指定，而是由每行数据的最后一个字段的值来动态的决定。使用动态分区，可只用一个insert语句将数据写入多个分区。

1）动态分区相关参数

（1）动态分区功能总开关（默认true，开启）

set hive.exec.dynamic.partition=true

（2）严格模式和非严格模式

动态分区的模式，默认strict（严格模式），要求必须指定至少一个分区为静态分区，nonstrict（非严格模式）允许所有的分区字段都使用动态分区。

set hive.exec.dynamic.partition.mode=nonstrict

（3）一条insert语句可同时创建的最大的分区个数，默认为1000。

set hive.exec.max.dynamic.partitions=1000

（4）单个Mapper或者Reducer可同时创建的最大的分区个数，默认为100。

set hive.exec.max.dynamic.partitions.pernode=100

（5）一条insert语句可以创建的最大的文件个数，默认100000。

hive.exec.max.created.files=100000

（6）当查询结果为空时且进行动态分区时，是否抛出异常，默认false。

hive.error.on.empty.partition=false

2）案例实操

需求：将dept表中的数据按照地区（loc字段），插入到目标表dept_partition_dynamic的相应分区中。

（1）创建目标分区表

createtable dept_partition_dynamic(
    id int, 
    name string
) 
partitioned by(loc int)row format delimited fieldsterminatedby'\t';

（2）设置动态分区

set hive.exec.dynamic.partition.mode= nonstrict;insertintotable dept_partition_dynamic 
partition(loc)select 
    deptno, 
    dname, 
    loc 
from dept;

（3）查看目标分区表的分区情况

show partitions dept_partition_dynamic;

二、分桶表

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，分区针对的是数据的存储路径，分桶针对的是数据文件。

分桶表的基本原理是，首先为每行数据计算一个指定字段的数据的hash值，然后模以一个指定的分桶数，最后将取模运算结果相同的行，写入同一个文件中，这个文件就称为一个分桶（bucket）。

2.1 分桶表基本语法

1）建表语句

createtable stu_buck(
    id int, 
    name string
)clusteredby(id)into4 buckets
row format delimited fieldsterminatedby'\t';

2）数据装载

（1）数据准备

在/opt/module/hive/datas/路径上创建student.txt文件，并输入如下内容。

1001    student1
1002    student2
1003    student3
1004    student4
1005    student5
1006    student6
1007    student7
1008    student8
1009    student9
1010    student10
1011    student11
1012    student12
1013    student13
1014    student14
1015    student15
1016    student16

（2）导入数据到分桶表中

说明：Hive新版本load数据可以直接跑MapReduce，老版的Hive需要将数据传到一张表里，再通过查询的方式导入到分桶表里面。

loaddatalocal inpath '/opt/module/hive/datas/student.txt'intotable stu_buck;

（3）查看创建的分桶表中是否分成4个桶

（4）观察每个分桶中的数据

2.2 分桶排序表

1）建表语句

createtable stu_buck_sort(
    id int, 
    name string
)clusteredby(id) sorted by(id)into4 buckets
row format delimited fieldsterminatedby'\t';

2）数据装载
（1）导入数据到分桶表中

loaddatalocal inpath '/opt/module/hive/datas/student.txt'intotable stu_buck_sort;

（2）查看创建的分桶表中是否分成4个桶

（3）观察每个分桶中的数据