Skip to content

Latest commit

 

History

History
86 lines (62 loc) · 3.42 KB

File metadata and controls

86 lines (62 loc) · 3.42 KB

Hive分区和分桶的区别

可回答:Hive分区和分桶的逻辑

问过的一些公司:字节,小米,阿里云社招,京东x2,猿辅导,竞技世界,美团,抖音

参考答案:

1、定义上

分区

  • Hive的分区使用HDFS的子目录功能实现。每一个子目录包含了分区对应的列名和每一列的值。

  • Hive的分区方式:由于Hive实际是存储在HDFS上的抽象,Hive的一个分区名对应一个目录名,子分区名就是子目录名,并不是一个实际字段。

  • 所以可以这样理解,当我们在插入数据的时候指定分区,其实就是新建一个目录或者子目录,或者在原有的目录上添加数据文件。

注意:partitned by子句中定义的列是表中正式的列(分区列),但是数据文件内并不包含这些列。

# 创建分区表
create table student(
id int,
name string,
age int,
address string
)
partitioned by (dt string,type string)                 # 制定分区
row format delimited fields terminated by '\t'         # 指定字段分隔符为tab
collection items terminated by ','                     # 指定数组中字段分隔符为逗号
map keys terminated by ':'                             # 指定字典中KV分隔符为冒号
lines terminated by '\n'                               # 指定行分隔符为回车换行
stored as textfile                                     # 指定存储类型为文件
;

# 将数据加载到表中(此时时静态分区)
load data local inpath '/root/student.txt' into  test.student partition(class='一班');

分桶:

  • 分桶表是在表或者分区表的基础上,进一步对表进行组织,Hive使用 对分桶所用的值;
  • 进行hash,并用hash结果除以桶的个数做取余运算的方式来分桶,保证了每个桶中都有数据,但每个桶中的数据条数不一定相等。

注意:

创建分区表时:

  • 可以使用distribute by(sno) sort by(sno asc) 或是使用clustered by(字段)

  • 当排序和分桶的字段相同的时候使用cluster by, 就等同于分桶+排序(sort)

# 创建分桶表
create table student(
id int,
name string,
age int,
address string
)
clustered by(id) sorted by(age) into 4 buckets
row format delimited fields terminated by '\t'
stored as textfile;

# 开启分桶
set hive.enforce.bucketing = true;
# 插入数据
insert overwrite table studentselect id ,name ,age ,address from employees;
# 也可以用另一种插入方式
load data local inpath '/root/student.txt' into test.student;

2、数据类型上

分桶随机分割数据库,分区是非随机分割数据库。因为分桶是按照列的哈希函数进行分割的,相对比较平均;而分区是按照列的值来进行分割的,容易造成数据倾斜。

分桶是对应不同的文件(细粒度),分区是对应不同的文件夹(粗粒度)。桶是更为细粒度的数据范围划分,分桶的比分区获得更高的查询处理效率,使取样更高效。

注意:普通表(外部表、内部表)、分区表这三个都是对应HDFS上的目录,桶表对应是目录里的文件。

欢迎加入知识星球,获取《大数据面试题 V4.0》以及更多大数据开发内容