Hive学习笔记（三） Hive的分区表和分桶表

在查找大数据的时候，检索是通过检索所有数据，效率很慢，因此合理规划数据的存储尤其重要，例如可以根据日期进行分区存储（即分目录去存储）,或者使用分桶去切分数据文件进行存储。（注意这里说的分区和上篇的查找排序分区是不同的概念，上面的排序分区是存储好了去查找；这里的分区表是指在怎么分区去存储）

1 分区表

分区表实际上就是对应一个HDFS文件系统上的独立的文件夹，该文件夹下是该分区所有的数据文件。Hive中的分区就是分目录，把一个大的数据集根据业务需要分割成小的数据集。在查询时通过WHERE子句中的表达式选择查询所需要的指定的分区，这样的查询效率会提高很多。

1.1 分区表基本操作

1）引入分区表（需要根据日期对日志进行管理, 通过部门信息模拟）

dept_20200401.log
dept_20200402.log
dept_20200403.log
……

2）创建分区表语法：通过partitioned去指定根据day字段去进行分区

hive (default)> create table dept_partition(
deptno int, dname string, loc string
)
partitioned by (day string)
row format delimited fields terminated by '\t';

3）加载数据到分区表中

（1） 数据准备

dept_20200401.log
10 ACCOUNTING 1700
20 RESEARCH  1800
dept_20200402.log
30 SALES  1900
40 OPERATIONS 1700
dept_20200403.log
50 TEST  2000
60 DEV 1900

（2） 加载数据-通过dept_partition partition(day=’20200402’)去指定导入的具体分区

hive (default)> load data local inpath '/opt/module/hive/datas/dept_20200401.log' into table dept_partition partition(day='20200401');
hive (default)> load data local inpath '/opt/module/hive/datas/dept_20200402.log' into table dept_partition partition(day='20200402');

注意：分区表加载数据时，必须指定分区

Hdfs中文件如下：

4）查询分区表中数据

单分区查询-根据day去筛选

hive (default)> select * from dept_partition where day='20200401';

多分区联合查询

hive (default)> select * from dept_partition where day='20200401'
​       union
​       select * from dept_partition where day='20200402'
​       union
​       select * from dept_partition where day='20200403';
hive (default)> select * from dept_partition where day='20200401' or
​        day='20200402' or day='20200403' ;      

5）增加分区

创建单个分区

hive (default)> alter table dept_partition add partition(day='20200404') ;

同时创建多个分区

hive (default)> alter table dept_partition add partition(day='20200405') partition(day='20200406');

6）删除分区

删除单个分区

hive (default)> alter table dept_partition drop partition (day='20200406');

同时删除多个分区

hive (default)> alter table dept_partition drop partition (day='20200404'), partition(day='20200405');

7）查看分区表有多少分区

hive> show partitions dept_partition;

8）查看分区表结构

hive> desc formatted dept_partition;

1.2 二级分区

思考: 如何一天的日志数据量也很大，如何再将数据拆分?

1）创建二级分区表

hive (default)> create table dept_partition2(
               deptno int, dname string, loc string
               )
               partitioned by (day string, hour string)
               row format delimited fields terminated by '\t';

2）正常的加载数据

（1）加载数据到二级分区表中

hive (default)> load data local inpath '/opt/module`/hive/datas/dept_20200401.log' into table dept_partition2 partition(day='20200401', hour='12');

（2）查询分区数据

hive (default)> select * from dept_partition2 where day='20200401' and hour='12';

3）把数据直接上传到分区目录上，让分区表和数据产生关联的三种方式

（1）方式一：先上传数据，然后进行修复分区操作，可以查到数据

上传数据

hive (default)> dfs -mkdir -p /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=13;
hive (default)> dfs -put /opt/module/datas/dept_20200401.log /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=13;

查询数据（查询不到刚上传的数据）

hive (default)> select * from dept_partition2 where day='20200401' and hour='13';

执行分区修复命令

hive> msck repair table dept_partition2;

再次查询数据

hive (default)> select * from dept_partition2 where day='20200401' and hour='13';

（2）方式二：上传数据后，手动添加分区

上传数据

hive (default)> dfs -mkdir -p
 /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=14;
hive (default)> dfs -put /opt/module/hive/datas/dept_20200401.log /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=14;

执行添加分区

hive (default)> alter table dept_partition2 add partition(day='20200401',hour='14');

查询数据

hive (default)> select * from dept_partition2 where day='20200401' and hour='14';

（3）方式三：创建文件夹后，load数据到分区

创建目录

hive (default)> dfs -mkdir -p
 /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=15;

上传数据

hive (default)> load data local inpath '/opt/module/hive/datas/dept_20200401.log' into table
 dept_partition2 partition(day='20200401',hour='15');

查询数据

hive (default)> select * from dept_partition2 where day='20200401' and hour='15';

1.3 动态分区

上面的分区都是我们手动去指定的，但是在实际应用中，对于大数据不可能每条都手动去分区，因此，Hive有个功能叫做动态分区。对比关系型数据库中，对分区表Insert数据时候，数据库自动会根据分区字段的值，将数据插入到相应的分区中，Hive中也提供了类似的机制，即动态分区(Dynamic Partition)，只不过，使用Hive的动态分区，需要进行相应的配置。

1） 开启动态分区参数设置**(3-6可以不改，使用默认值)**

（0）查看动态分区功能（默认true，开启）

hive (default)> set hive.exec.dynamic.partition

（1）开启动态分区功能（默认true，开启）

hive (default)> hive.exec.dynamic.partition=true

（2）设置为非严格模式（动态分区的模式，默认strict，表示必须指定至少一个分区为静态分区，nonstrict模式表示允许所有的分区字段都可以使用动态分区。）

hive (default)> hive.exec.dynamic.partition.mode=nonstrict

（3）在所有执行MR的节点上，最大一共可以创建多少个动态分区。默认1000

hive (default)> hive.exec.max.dynamic.partitions=1000

（4）在每个执行MR的节点上，最大可以创建多少个动态分区。该参数需要根据实际的数据来设定。比如：源数据中包含了一年的数据，即day字段有365个值，那么该参数就需要设置成大于365，如果使用默认值100，则会报错。

hive (default)> hive.exec.max.dynamic.partitions.pernode=100

（5）整个MR Job中，最大可以创建多少个HDFS文件。默认100000

hive (default)> hive.exec.max.created.files=100000

（6）当有空分区生成时，是否抛出异常。一般不需要设置。默认false

hive (default)> hive.error.on.empty.partition=false

2）案例实操

需求：将dept表中的数据按照时间（day字段），插入到目标表dept_partition的相应分区中。

（1）创建目标分区表

hive (default)> create table dept_partition_dy(id int, name string,loc string) partitioned by (day string) row format delimited fields terminated by '\t';

（2）设置动态分区

hive (default)> set hive.exec.dynamic.partition.mode = nonstrict;

（3） 插入表数据

方法1：导入本地数据到hive中

hive (default)> load data local inpath '/opt/module/hive-3.4.2/datas/dept_partition_dy.txt' into table dept_partition_dy;

这个时候可以发现 启动了mapreduce,因为用到了计算，这里需要注意的是，有可能会报错：找不到dept_partition_dy.txt文件，因为用到了计算，会启用yarn进行分配job，运行该job的不一定在当前机器hadoop102,也有可能在hadoop103。所以为了不出错，我们最好将数据先传到hdfs上，然后去load。

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

方法2：通过insert插入

因为低版本的load是不会启用mapreduce计算的，因此我们可以先将数据导入一个普通表，然后通过insert select查询操作将数据导入分区表中。

（a）先将数据导入普通表dept_dy

hive (default)> load data local inpath '/opt/module/hive-3.4.2/datas/dept_partition_dy.txt' into table dept_dy;

（b）通过insert select查询操作将数据导入分区表dept_partition_dy中，因为insert操作会启用计算mapreduce

hive (default)> insert into dept_partition_dy select * from dept_by

（4）查看目标分区表的分区情况和表数据

hive (default)> select * from dept_partition_dy;
hive (default)> show partitions dept_partition;

思考：目标分区表是如何匹配到分区字段的？

要求插入的数据必须要有分区字段，即上面提到的day，这样才能根据数据文件中的day去匹配加入对应的分区。例如导入的文件为：

2 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。

分区针对的是数据的存储路径；分桶针对的是数据文件。

2.1 先创建分桶表

（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—根据字段id去进行分桶，并且分4个桶

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;

（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

2.2 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

2.3 insert方式将数据导入分桶表

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