Hive的分区分桶和数据抽样

我们知道，hive中有分区和分桶的概念，在此篇博客中将对hive的分区表和分桶表的常用操作做一个整理。

分区

概念

分区表的本质就是对应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表的一个分区就是一个子目录。把一个大的数据集根据业务需要切分成一个个小的数据集，在查询时通过查询条件选择所需要的指定的分区，这样避免去扫描所有数据文件，大大提升查询的效率。

分区表的操作

创建分区表

CREATE TABLE test_partition_table(
    id string,
    name string,
    age int
)
COMMENT '分区测试表'
partitioned by (part_data_id string comment 分区)
STORED AS ORC
;

新建分区

ALTER TABLE test_partition_table ADD PARTITION(part_data_id='2025-03-13');

导入数据到指定分区

LOAD DATA LOCAL INPATH '/data/test/data.txt' INTO TABLE test_partition_table PARTITION(part_data_id='2025-03-13');

写入数据到指定分区

INSERT OVERWRITE TABLE  test_partition_table PARTITION(part_data_id='2025-03-13')
SELECT  
    ID
    ,NAME
    ,AGE
FROM test_table
WHERE
    PART_DATA_ID='2025-03-13'
;

删除分区

ALTER TABLE test_partition_table DROP PARTITION(part_data_id='2025-03-13');

删除多个分区

ALTER TABLE test_partition_table DROP PARTITION(part_data_id='2025-03-13')
,PARTITION(part_data_id='2025-03-14')
,PARTITION(part_data_id='2025-03-15')
;

查看分区

SHOW PARTITIONS test_partition_table;

查看分区表结构

DESC FORMATTED test_partition_table;

动态分区

hive支持动态分区，即在数据写入时根据数据的值动态分配写入到相应的分区中。动态分区的功能默认是关闭的，如果需要使用，则需要设置参数开启。

1. 开启动态分区参数设置

SET hive.exec.dynamic.partition=true;

2. 设置为非严格模式

动态分区的模式默认是stric严格模式，表示在必须指定至少一个分区为静态分区，nonstric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;

3. 设置所有节点可创建的最大分区数

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，默认是1000个。

SET hive.exec.max.dynamic.partitions=1000;

4. 设置单个节点可创建的最大分区数

默认为100，该参数需要根据实际的分区字段的值来指定，比如以日期为分区，一年有365天，每天都有数据，如果将这份数据导入到表中就会报错，因为需要的分区数是365，所以需要根据数据的分布调整该参数的大小。

SET hive.exec.max.dynamic.partitions.pernode=1000;

5.设置整个MRJob可创建的最大文件数

该参数的默认值为：100000

SET hive.exec.max.created.files=100000;

6. 设置当有空分区产生时是否报错，默认值为false

SET hive.error.on.empty.partition=false;

分桶

分区表的本质是在HDFS文件系统中创建目录，如果某一天的数据量非常的巨大，还是有可能导致某些查询扫描的数据量过大，所以可以进一步使用分桶的方式来介绍数据的扫描范围。分桶的本质则是将数据文件切分成指定桶数的小文件，类似与关系型数据库中的分区。

创建分桶表

CREATE TABLE test_partition_table(
    id string,
    name string,
    age int
)
COMMENT '分区测试表'
partitioned by (part_data_id string comment 分区)
clustered by(name) into 7 buckets
STORED AS ORC
;

抽样

我们在使用数据时，有时候并不想查询所有的数据，只需要其中的一部分，这时候就可以使用抽样函数来实现。

抽样

tablesample(BUCKET X OUT OF Y ON {bucket_col})
按照指定的分桶列，分成Y个桶，并从第X个桶开始中抽取数据。

SELECT * FROM test_partition_table tablesample(bucket 5 out of 10 on name);