分区

简介

为了避免Hive每次查询都扫描整个文件，除了采用索引的方式外，还可以通过建立分区表。分区表是指在创建表的时候指定的partition的分区空间，这样在查找分区的数据时，就不用扫描所有数据文件，只需要扫描指定分区的数据文件。

细节

• 分区表依据分区列的值对表进行划分，每个分区对应表的子目录，所有数据依照分区列放入不同的子目录中
• 分区列是以字段的形式在表结构中存在，可以通过describe table命令查看到字段存在，但是分区字段不存放实际的数据内容，仅仅是分区的表示。

优点

• 分区可以缩小查询范围，加快数据的检索速度
• 便于数据管理，常见日期分区，业务分区等

分桶

简介

对于每一个Hive表（包括分区表），Hive可以进一步对数据进行分桶，桶是更细粒度的数据范围划分。分区是针对文件目录，分桶则是针对数据文件。桶是通过对指定列进行哈希计算来实现的，通过哈希值将一个列名下的数据切分为一组桶，对哈希值除以桶的个数求余数的方式决定该记录存放在哪个桶中，每个桶对应于该列名下的一个存储文件。

优点

• 更高的查询效率
• 当需要关联的表的列上都做了分桶，会有更高的连接效率
• 使取样更高效

创建分桶的table

CREATE TABLE test_bucketed (id INT, name STRING)
CLUSTERED BY (id) SORTED BY (id ASC) INTO 4 BUCKETS

我们使用用户ID来确定如何划分桶(Hive使用对值进行哈希并将结果除 以桶的个数取余数。这样，任何一桶里都会有一个随机的用户集合。

注意

• 当前不支持对已有的表进行分桶，只能新建分桶表，然后倒如数据
• 需加入设置自动分桶：set hive.enforce.bucketing = true