大数据----Hive学习（5）----Hive 基本操作3_2)案例实操 (0)原始数据 1001 ss1 1002 ss2 1003 ss3 1004 ss4

分区表和分桶表

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
1
2
3

2)创建分区表语法

hive (default)> create table dept_partition
(deptno int, dname string, loc string)
partitioned by (day string)
row format delimited fields terminated by '\t';
1
2
3
4

注意:分区字段不能是表中已经存在的数据，可以将分区字段看作表的伪列。

3)加载数据到分区表中
（1）数据准备

dept_20200401.log
1

10 ACCOUNTING 1700 
20 RESEARCH 1800
1
2

dept_20200402.log
1

30 SALES 1900
40 OPERATIONS 1700
1
2

dept_20200403.log
1

50 TEST 2000 
60 DEV 1900
1
2

(2) 加载数据

hive (default)> load data local inpath '/home/fxw/module/hive/dept_20200401.log' into table dept_partition partition(day='20200401');
**注意:分区表加载数据时，必须指定分区**
1
2

4)查询分区表中数据

单分区查询
1

hive (default)> select * from dept_partition where day='20200401';
1

多分区联合查询
1

查询方式1:
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';
查询方式2:
hive (default)> select * from dept_partition where day='20200401' or
                 day='20200402' or day='20200403';
1
2
3
4
5
6
7
8
9

5)增加分区

创建单个分区
1

hive (default)> alter table dept_partition add
                partition(day='20200404');
1
2

同时创建多个分区
1

 hive (default)> alter table dept_partition add 
 				partition(day='20200405') partition(day='20200406');
1
2

6)删除分区

删除单个分区
1

 hive (default)> alter table dept_partition drop 
 				 partition(day='20200406');
1
2

同时删除多个分区
1

 hive (default)> alter table dept_partition drop 
 				 partition(day='20200404'), partition(day='20200405');
 				 						注意逗号
1
2
3

7)查看分区表有多少分区

hive> show partitions dept_partition;
1

8)查看分区表结构

hive> desc formatted dept_partition;
1

1.2 二级分区

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';
1
2
3
4

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
'/home/fxw/module/hive/datas/dept_20200401.log' into table
dept_partition2 partition(day='20200401', hour='12');
1
2
3

(2)查询分区数据

hive (default)> select * from dept_partition2 where day='20200401' and
hour='12';
1
2

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:上传数据后修复

上传数据
1

 hive (default)> dfs -mkdir -p
 /user/hive/warehouse/dept_partition2/day=20200401/hour=13;
hive (default)> dfs -put /home/fxw/module/hive/dept_20200401.log
/user/hive/warehouse/dept_partition2/day=20200401/hour=13;
1
2
3
4

查询数据(查询不到刚上传的数据)
1

hive (default)> select * from dept_partition2 where day='20200401' and
hour='13';
1
2

执行修复命令
1

hive> msck repair table dept_partition2;
1

再次查询数据
1

hive (default)> select * from dept_partition2 where day='20200401' and
hour='13';
1
2

(2)方式二:上传数据后添加分区

上传数据
1

 hive (default)> dfs -mkdir -p
 /user/hive/warehouse/dept_partition2/day=20200401/hour=14;
hive (default)> dfs -put /home/fxw/module/hive/dept_20200401.log
/user/hive/warehouse/dept_partition2/day=20200401/hour=14;
1
2
3
4

执行添加分区
1

hive (default)> alter table dept_partition2 add
partition(day='20200401',hour='14');
1
2

查询数据
1

hive (default)> select * from dept_partition2 where day='20200401' and
hour='14';
1
2

(3)方式三:创建文件夹后 load 数据到分区

创建目录
1

 hive (default)> dfs -mkdir -p
 /user/hive/warehouse/dept_partition2/day=20200401/hour=15;
1
2

上传数据
1

 hive (default)> load data local inpath '/home/fxw/module/hivedept_20200401.log'  
 				 into table dept_partition2 partition(day='20200401',hour='15');
1
2

如果不指定分区 hive就会产生一个默认的分区

查询数据
1

hive (default)> select * from dept_partition2 where day='20200401' and
hour='14';
1
2

1.3 动态分区调整

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

(1)开启动态分区功能(默认 true，开启)

set hive.exec.dynamic.partition=true;
1

(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。)

set hive.exec.dynamic.partition.mode=nonstrict;
1

(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

set hive.exec.max.dynamic.partitions=1000
1

(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。

set hive.exec.max.dynamic.partitions.pernode=100
1

(5)整个 MR Job 中，最大可以创建多少个 HDFS 文件。默认 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

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 的相应
分区中。

(1)创建目标分区表

hive (default)> create table dept_partition_dy(deptno int, dname string)
				partitioned by (loc int) 
				row format delimited fields terminated by ' ';
1
2
3

(2)设置动态分区

hive (default)> insert into table dept_partition_dy partition(loc) 
				select deptno, dname, loc from dept;
1
2

分区字段默认为输入数据的最后一个字段。
在Hive3中也可以这样写

hive (default)> insert into table dept_partition_dy 
				select deptno, dname, loc from dept;
1
2

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。
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
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

(2)创建分桶表

create table stu_buck(id int,name string)
clustered by id
into 4 buckets
row format delimited fields terminated by ' ';
1
2
3
4

(3)查看表结构

desc formatted stu_buck;
1

(4)导入数据到分桶表中，load 的方式

#该上传方式需要先将文件上传到hfds
hive (default)> load data inpath '/student.txt' into table stu_buck;
1
2

#该上传方式需要先将文件分发到每一个worker上 
#因为任务是随机分配到datanode的，如果分配到没有该文件的节点上就会报错
hive (default)> load data local inpath '/student.txt' into table stu_buck;
1
2
3

(6)查询分桶的数据

hive(default)> select * from stu_buck;
1

(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)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

3 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。
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);
1
2

注意:x 的值必须小于等于 y 的值，否则

FAILED: SemanticException [Error 10061]: Numerator should not be bigger
than denominator in sample clause for table stu_buck
 
1
2
3