Hive之Bucket 桶表（六）

来源：互联网发布：node sass 安装失败编辑：程序博客网时间：2024/05/23 01:13

Bucket 桶表的基本相关概念

对于每一个表（table）或者分区， Hive可以进一步组织成桶，也就是说桶是更为细粒度的数据范围划分。Hive也是针对某一列进行桶的组织。Hive采用对列值哈希，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。基本可以这么说分区表是粗粒度的划分，桶在细粒度的划分。当数据量比较大，我们需要更快的完成任务，多个map和reduce进程是唯一的选择。
但是如果输入文件是一个的话，map任务只能启动一个。此时bucket table是个很好的选择，通过指定CLUSTERED的字段，将文件通过hash打散成多个小文件。
- 把表（或者分区）组织成桶（Bucket）有两个理由：
  - 获得更高的查询处理效率。桶为表加上了额外的结构，Hive 在处理有些查询时能利用这个结构。具体而言，连接两个在（包含连接列的）相同列上划分了桶的表，可以使用 Map 端连接（Map-side join）高效的实现。比如JOIN操作。对于JOIN操作两个表有一个相同的列，如果对这两个表都进行了桶操作。那么将保存相同列值的桶进行JOIN操作就可以，可以大大较少JOIN的数据量。
  - 使取样（sampling）更高效。在处理大规模数据集时，在开发和修改查询的阶段，如果能在数据集的一小部分数据上试运行查询，会带来很多方便。

桶表的操作演示：

 1.创建桶表，我们使用CLUSTERED BY 子句来指定划分桶所有的列和划分的桶的个数。

CREATE TABLE bucketed_user (id INT, name STRING) CLUSTERED BY (id) INTO 4 BUCKETSROW FORMAT DELIMITED FIELDS TERMINATED BY ',';

2、查看表结构

hive> desc bucketed_user;        OK        id                      int                                                 name                    string                                              Time taken: 0.052 seconds, Fetched: 2 row(s)

t_user表数据如下：

    hive> select * from t_user;        OK        1       hello        2       world        3       java        4       hadoop        5       android        6       hive        7       hbase        8       sqoop        9       sqark        1       hello        2       world        3       java        4       hadoop        5       android        6       hive        7       hbase        8       sqoop        9       sqark        1       aaaa        1       bbbb        1       cccc        1       dddd        Time taken: 0.076 seconds, Fetched: 22 row(s)

将t_user表数据加载到bucketed_user表中

向这种带桶的表里面导入数据有两种方式，一种是外部生成的数据导入到桶表，一种是利用hive来帮助你生成桶表数据。
由于hive在load数据的时候不能检查数据文件的格式与桶的定义是否匹配，如果不匹配在查询的时候就会报错，所以最好还是让hive来帮你生成数据，简单来说就是利用现有的表的数据导入到新定义的带有桶的表中

    >insert overwrite table bucketed_user    select * from t_user;运行过程如下：Query ID = centosm_20170325122000_5f5c9c5f-9d6f-4f4b-9b94-d1d257ed852fTotal jobs = 1Launching Job 1 out of 1Number of reduce tasks determined at compile time: 4In order to change the average load for a reducer (in bytes):  set hive.exec.reducers.bytes.per.reducer=<number>In order to limit the maximum number of reducers:  set hive.exec.reducers.max=<number>In order to set a constant number of reducers:  set mapreduce.job.reduces=<number>Starting Job = job_1488032149798_0006, Tracking URL = http://centosm:8088/proxy/application_1488032149798_0006/Kill Command = /home/centosm/hadoopM/bin/hadoop job  -kill job_1488032149798_0006Hadoop job information for Stage-1: number of mappers: 1; number of reducers: 42017-03-25 12:20:20,784 Stage-1 map = 0%,  reduce = 0%2017-03-25 12:20:47,857 Stage-1 map = 100%,  reduce = 0%, Cumulative CPU 3.6 sec2017-03-25 12:21:47,186 Stage-1 map = 100%,  reduce = 67%, Cumulative CPU 9.39 sec2017-03-25 12:22:20,580 Stage-1 map = 100%,  reduce = 79%, Cumulative CPU 17.81 sec2017-03-25 12:22:24,591 Stage-1 map = 100%,  reduce = 87%, Cumulative CPU 20.31 sec2017-03-25 12:22:25,778 Stage-1 map = 100%,  reduce = 100%, Cumulative CPU 23.46 secMapReduce Total cumulative CPU time: 23 seconds 460 msecEnded Job = job_1488032149798_0006Loading data to table default.bucketed_userMapReduce Jobs Launched: Stage-Stage-1: Map: 1  Reduce: 4   Cumulative CPU: 27.3 sec   HDFS Read: 18519 HDFS Write: 381 SUCCESSTotal MapReduce CPU Time Spent: 27 seconds 300 msecOKTime taken: 177.489 seconds

运行后查

hive> select * from bucketed_user;        OK        8           sqoop        4       hadoop        4       hadoop        8       sqoop        1       hello        1       cccc        1       bbbb        1       aaaa        9       sqark        5       android        1       dddd        1       hello        9       sqark        5       android        6       hive        6       hive        2       world        2       world        7       hbase        3       java        7       hbase        3       java        Time taken: 0.082 seconds, Fetched: 22 row(s)

在hive仓库中的数据

 [centosm@centosm test]$hdfs dfs  -ls /user/hive/warehouse/bucketed_user        Found 4 items    -rwxr-xr-x   1 centosm supergroup         17 2017-03-25 12:22 /user/hive/warehouse/bucketed_user/000000_0    -rwxr-xr-x   1 centosm supergroup         26 2017-03-25 12:22 /user/hive/warehouse/bucketed_user/000001_0    -rwxr-xr-x   1 centosm supergroup         15 2017-03-25 12:22 /user/hive/warehouse/bucketed_user/000002_0    -rwxr-xr-x   1 centosm supergroup         15 2017-03-25 12:22 /user/hive/warehouse/bucketed_user/000003_0    [centosm@centosm test]$     [centosm@centosm test]$ hdfs dfs  -cat /user/hive/warehouse/bucketed_user/000000_0    8,sqoop    4,hadoop    4,hadoop    8,sqoop    [centosm@centosm test]$ hdfs dfs  -cat /user/hive/warehouse/bucketed_user/000001_0    1,hello    1,cccc    1,bbbb    1,aaaa    9,sqark    5,android    1,dddd    1,hello    9,sqark    5,android    [centosm@centosm test]$ hdfs dfs  -cat /user/hive/warehouse/bucketed_user/000002_0    6,hive    6,hive    2,world    2,world    [centosm@centosm test]$ hdfs dfs  -cat /user/hive/warehouse/bucketed_user/000003_0    7,hbase    3,java    7,hbase    3,java

运用tablesample 进行查询

hive> select * from bucketed_user tablesample(bucket 1 out of 4 on id);;OK8       sqoop4       hadoop4       hadoop8       sqoopTime taken: 0.104 seconds, Fetched: 4 row(s)hive>     > select * from bucketed_user tablesample(bucket 2 out of 4 on id);;OK1       hello1       cccc1       bbbb1       aaaa9       sqark5       android1       dddd1       hello9       sqark5       androidTime taken: 0.067 seconds, Fetched: 10 row(s)hive>     > select * from bucketed_user tablesample(bucket 3 out of 4 on id);;OK6       hive6       hive2       world2       worldTime taken: 0.075 seconds, Fetched: 4 row(s)

ablesample的作用就是让查询发生在一部分桶上而不是整个数据集上，上面就是查询4个桶里面第一个桶的数据；相对与不带桶的表这无疑是效率很高的,因为同样都是需要一小部分数据，但是不带桶的表需要使用rand（）函数在整个数据集上检索。

结论：由上述运行结果可以很明显得出分桶会将同一个用户id的文件放到同一个桶中，一个桶也会同时存在多个用户id的数据，例如/user/hive/warehouse/bucketed_user/000003_0 这个桶会存储所有id为3和7的数据。这样当我们要查询具体某一个id对应的所有的数据便可大大的缩小了查找的范围。

注：参考权威指南3
以及 http://www.cnblogs.com/juefan/p/3414476.html

0 0