Hive桶表

分桶及抽样查询

分桶表数据存储类似与MR分区
分区针对的是数据的存储路径；分桶针对的是数据文件。
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，
特别是之前所提到过的要确定合适的划分大小这个疑虑。
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。

建表：

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

desc formatted stu_buck; 

]
orient/strip%7CimageView2/2/w/1240)

load导入数据，发现未生产四个桶

load data local inpath '/home/data/stu.txt' into table stu_buck;

Snipaste_2020-06-09_11-12-11.png

清空桶表
truncate table stu_buck;

导入数据之前，需要先设置参数

set hive.enforce.bucketing=true; 
set mapreduce.job.reduces=-1; //自动根据桶的个数决定业务的个数
insert into table stu_buck 
select id, name from stu;

Snipaste_2020-06-09_11-19-08.png
Snipaste_2020-06-09_11-19-18.png

分桶抽样查询

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。Hive 可以通过对表进行抽样来满足这个需求。

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

注：tablesample 是抽样语句，语法：TABLESAMPLE(BUCKET x OUT OF y) 。

y 必须是 table 总 bucket 数的倍数或者因子。hive 根据 y 的大小，决定抽样的比例。
例如，table 总共分了 4 份，当 y=2 时，抽取(4/2=)2 个bucket 的数据，当 y=8 时，抽取(4/8=)1/2 个 bucket 的数据。

x 表示从哪个 bucket 开始抽取，如果需要取多个分区，以后的分区号为当前分区号加上y。
例如，table 总 bucket 数为 4，tablesample(bucket 1 out of 2)，表示总共抽取（4/2=）2 个bucket 的数据，抽取第 1(x)个和第 3(x+y)个 bucket 的数据

注意：x 的值必须小于等于 y 的值，否会报错

Snipaste_2020-06-09_15-28-05.png
Snipaste_2020-06-09_15-28-14.png