Hive 已是目前業界最為通用、廉價的構建大數據時代數據倉庫的解決方案了，雖然也有 Impala 等后起之秀，但目前從功能、穩定性等方面來說，Hive 的地位尚不可撼動。

其實這篇博文主要是想聊聊 SMB join 的，Join 是整個 MR/Hive 最為核心的部分之一，是每個 Hadoop/Hive/DW RD 必須掌握的部分，之前也有幾篇文章聊到過 MR/Hive 中的 join，其實底層都是相同的，只是上層做了些封裝而已，如果你還不了解究竟 Join 有哪些方式，以及底層怎么實現的，請參考如下鏈接：

http://my.oschina.net/leejun2005/blog/95186?MapReduce 中的兩表 join 幾種方案簡介

http://my.oschina.net/leejun2005/blog/111963?Hadoop 多表 join：map side join 范例

http://my.oschina.net/leejun2005/blog/158491?Hive & Performance 學習筆記

在最后一篇鏈接中，有這么兩副圖：

前面兩個很好理解，基本上每個人都會接觸到，但最后一種，可能有同學還是比較陌生，SMB 存在的目的主要是為了解決大表與大表間的 Join 問題，分桶其實就是把大表化成了“小表”，然后 Map-Side Join 解決之，這是典型的分而治之的思想。在聊 SMB Join 之前，我們還是先復習下相關的基礎概念。

1、Hive 分區表

在Hive Select查詢中一般會掃描整個表內容，會消耗很多時間做沒必要的工作。有時候只需要掃描表中關心的一部分數據，因此建表時引入了partition概念。分區表指的是在創建表時指定的partition的分區空間。

Hive可以對數據按照某列或者某些列進行分區管理，所謂分區我們可以拿下面的例子進行解釋。
當前互聯網應用每天都要存儲大量的日志文件，幾G、幾十G甚至更大都是有可能。存儲日志，其中必然有個屬性是日志產生的日期。在產生分區時，就可以按照日志產生的日期列進行劃分。把每一天的日志當作一個分區。
將數據組織成分區，主要可以提高數據的查詢速度。至于用戶存儲的每一條記錄到底放到哪個分區，由用戶決定。即用戶在加載數據的時候必須顯示的指定該部分數據放到哪個分區。

1.1 實現細節

1、一個表可以擁有一個或者多個分區，每個分區以文件夾的形式單獨存在表文件夾的目錄下。
2、表和列名不區分大小寫。?
3、分區是以字段的形式在表結構中存在，通過describe table命令可以查看到字段存在，但是該字段不存放實際的數據內容，僅僅是分區的表示（偽列）。

1.2 語法

1. 創建一個分區表，以 ds 為分區列：?
create table invites (id int, name string) partitioned by (ds string) row format delimited fields terminated by 't' stored as textfile;
2. 將數據添加到時間為 2013-08-16 這個分區中：
load data local inpath '/home/hadoop/Desktop/data.txt' overwrite into table invites partition (ds='2013-08-16');
3. 將數據添加到時間為 2013-08-20 這個分區中：
load data local inpath '/home/hadoop/Desktop/data.txt' overwrite into table invites partition (ds='2013-08-20');
4. 從一個分區中查詢數據：?
select * from invites where ds ='2013-08-12';
5. ?往一個分區表的某一個分區中添加數據：?
insert overwrite table invites partition (ds='2013-08-12') select id,max(name) from test group by id;
可以查看分區的具體情況，使用命令：?
hadoop fs -ls /home/hadoop.hive/warehouse/invites
或者：?
show partitions tablename;

2、Hive 桶

對于每一個表（table）或者分區，?Hive可以進一步組織成桶，也就是說桶是更為細粒度的數據范圍劃分。Hive也是?針對某一列進行桶的組織。Hive采用對列值哈希，然后除以桶的個數求余的方式決定該條記錄存放在哪個桶當中。

把表（或者分區）組織成桶（Bucket）有兩個理由：

（1）獲得更高的查詢處理效率。桶為表加上了額外的結構，Hive 在處理有些查詢時能利用這個結構。具體而言，連接兩個在（包含連接列的）相同列上劃分了桶的表，可以使用 Map 端連接 （Map-side join）高效的實現。比如JOIN操作。對于JOIN操作兩個表有一個相同的列，如果對這兩個表都進行了桶操作。那么將保存相同列值的桶進行JOIN操作就可以，可以大大較少JOIN的數據量。

（2）使取樣（sampling）更高效。在處理大規模數據集時，在開發和修改查詢的階段，如果能在數據集的一小部分數據上試運行查詢，會帶來很多方便。

1. 創建帶桶的 table ：

create table bucketed_user(id int,name string) clustered by (id) sorted by(name) into 4 buckets row format delimited fields terminated by '\t' stored as textfile;
首先，我們來看如何告訴Hive—個表應該被劃分成桶。我們使用CLUSTERED BY 子句來指定劃分桶所用的列和要劃分的桶的個數：
CREATE TABLE bucketed_user (id INT) name STRING)CLUSTERED BY (id) INTO 4 BUCKETS;

在這里，我們使用用戶ID來確定如何劃分桶(Hive使用對值進行哈希并將結果除以桶的個數取余數。這樣，任何一桶里都會有一個隨機的用戶集合（PS：其實也能說是隨機，不是嗎？）。

對于map端連接的情況，兩個表以相同方式劃分桶。處理左邊表內某個桶的 mapper知道右邊表內相匹配的行在對應的桶內。因此，mapper只需要獲取那個桶 (這只是右邊表內存儲數據的一小部分)即可進行連接。這一優化方法并不一定要求 兩個表必須桶的個數相同，兩個表的桶個數是倍數關系也可以。用HiveQL對兩個劃分了桶的表進行連接，可參見“map連接”部分（P400）。

桶中的數據可以根據一個或多個列另外進行排序。由于這樣對每個桶的連接變成了高效的歸并排序(merge-sort), 因此可以進一步提升map端連接的效率。以下語法聲明一個表使其使用排序桶：
CREATE TABLE bucketed_users (id INT, name STRING)CLUSTERED BY (id) SORTED BY (id ASC) INTO 4 BUCKETS;

我們如何保證表中的數據都劃分成桶了呢？把在Hive外生成的數據加載到劃分成 桶的表中，當然是可以的。其實讓Hive來劃分桶更容易。這一操作通常針對已有的表。

Hive并不檢查數據文件中的桶是否和表定義中的桶一致(無論是對于桶 的數量或用于劃分桶的列）。如果兩者不匹配，在査詢時可能會碰到錯 誤或未定義的結果。因此，建議讓Hive來進行劃分桶的操作。

有一個沒有劃分桶的用戶表：?
hive> SELECT * FROM users;
0 ? ?Nat?
2 ? ?Doe?
B ? ?Kay?
4 ? ?Ann?

2. 強制多個 reduce 進行輸出：

要向分桶表中填充成員，需要將 hive.enforce.bucketing 屬性設置為 true。①這樣，Hive 就知道用表定義中聲明的數量來創建桶。然后使用 INSERT 命令即可。需要注意的是：clustered by和sorted by不會影響數據的導入，這意味著，用戶必須自己負責數據如何如何導入，包括數據的分桶和排序。
'set hive.enforce.bucketing = true' 可以自動控制上一輪reduce的數量從而適配bucket的個數，當然，用戶也可以自主設置mapred.reduce.tasks去適配bucket個數，推薦使用'set hive.enforce.bucketing = true'?

3. 往表中插入數據：

INSERT OVERWRITE TABLE bucketed_users SELECT * FROM users;

物理上，每個桶就是表(或分區）目錄里的一個文件。它的文件名并不重要，但是桶 n 是按照字典序排列的第 n 個文件。事實上，桶對應于 MapReduce 的輸出文件分區：一個作業產生的桶(輸出文件)和reduce任務個數相同。我們可以通過查看剛才 創建的bucketd_users表的布局來了解這一情況。運行如下命令：?

4. 查看表的結構：

hive> dfs -ls /user/hive/warehouse/bucketed_users;
將顯示有4個新建的文件。文件名如下(文件名包含時間戳，由Hive產生，因此 每次運行都會改變)：
attempt_201005221636_0016_r_000000_0
attempt_201005221636_0016_r-000001_0
attempt_201005221636_0016_r_000002_0
attempt_201005221636_0016_r_000003_0
第一個桶里包括用戶IDO和4，因為一個INT的哈希值就是這個整數本身，在這里 除以桶數(4)以后的余數：②

5. 讀取數據，看每一個文件的數據：

hive> dfs -cat /user/hive/warehouse/bucketed_users/*0_0;
0 Nat?
4 Ann?

用TABLESAMPLE子句對表進行取樣，我們可以獲得相同的結果。這個子句會將 查詢限定在表的一部分桶內，而不是使用整個表：

6. 對桶中的數據進行采樣：

hive> SELECT * FROM bucketed_usersTABLESAMPLE(BUCKET 1 OUT OF 4 ON id);
0 Nat?
4 Ann?

桶的個數從1開始計數。因此，前面的查詢從4個桶的第一個中獲取所有的用戶。 對于一個大規模的、均勻分布的數據集，這會返回表中約四分之一的數據行。我們 也可以用其他比例對若干個桶進行取樣(因為取樣并不是一個精確的操作，因此這個 比例不一定要是桶數的整數倍)。例如，下面的查詢返回一半的桶：

7. 查詢一半返回的桶數：

hive> SELECT * FROM bucketed_usersTABLESAMPLE(BUCKET 1 OUT OF 2 ON id)；
0 Nat?
4 Ann?
2 Joe?

因為查詢只需要讀取和TABLESAMPLE子句匹配的桶，所以取樣分桶表是非常高效的操作。如果使用rand()函數對沒有劃分成桶的表進行取樣，即使只需要讀取很小一部分樣本，也要掃描整個輸入數據集：
hive〉 SELECT * FROM users?TABLESAMPLE(BUCKET 1 OUT OF 4 ON rand());
2 Doe?

①從Hive 0.6.0開始，對以前的版本，必須把mapred.reduce .tasks設為表中要填 充的桶的個數。如果桶是排序的，還需要把hive.enforce.sorting設為true。
②顯式原始文件時，因為分隔字符是一個不能打印的控制字符，因此字段都擠在一起。

3、舉個完整的小栗子：

（1）建student & student1 表：

?

create table student(id INT, age INT, name STRING)

partitioned by(stat_date STRING)

clustered by(id) sorted by(age) into 2 buckets

row format delimited fields terminated by ',';

?

create table student1(id INT, age INT, name STRING)

partitioned by(stat_date STRING)

clustered by(id) sorted by(age) into 2 buckets

row format delimited fields terminated by ',';

（2）設置環境變量：

set hive.enforce.bucketing = true;?

（3）插入數據：

?

cat bucket.txt

?

1,20,zxm

2,21,ljz

3,19,cds

4,18,mac

5,22,android

6,23,symbian

7,25,wp

?

LOAD DATA local INPATH '/home/lijun/bucket.txt' OVERWRITE INTO TABLE student partition(stat_date="20120802");

?

from student

insert overwrite table student1 partition(stat_date="20120802")

select id,age,name where stat_date="20120802" sort by age;

（4）查看文件目錄：

hadoop fs -ls /hive/warehouse/test.db/student1/stat_date=20120802
Found 2 items?
-rw-r--r-- ? 2 lijun supergroup ? ? ? ? 31 2013-11-24 19:16 /hive/warehouse/test.db/student1/stat_date=20120802/000000_0
-rw-r--r-- ? 2 lijun supergroup ? ? ? ? 39 2013-11-24 19:16 /hive/warehouse/test.db/student1/stat_date=20120802/000001_0

（5）查看sampling數據：

hive> select * from student1 tablesample(bucket 1 out of 2 on id);

Total MapReduce jobs = 1
Launching Job 1 out of 1
.......
OK
4 ? ? ? 18 ? ? ?mac ? ? 20120802
2 ? ? ? 21 ? ? ?ljz ? ? 20120802
6 ? ? ? 23 ? ? ?symbian 20120802
Time taken: 20.608 seconds

注：tablesample是抽樣語句，語法：TABLESAMPLE(BUCKET x OUT OF y)
y必須是table總bucket數的倍數或者因子。hive根據y的大小，決定抽樣的比例。例如，table總共分了64份，當y=32時，抽取(64/32=)2個bucket的數據，當y=128時，抽取(64/128=)1/2個bucket的數據。x表示從哪個bucket開始抽取。例如，table總bucket數為32，tablesample(bucket 3 out of 16)，表示總共抽取（32/16=）2個bucket的數據，分別為第3個bucket和第（3+16=）19個bucket的數據。

4、Refer:

http://rdc.taobao.org/?p=1457??從MR到Hive – 一次遷移的過程

http://blog.573114.com/Blog/Html/A031/516857.html??Hadoop權威指南 第12章 Hive簡介 P384

http://superlxw1234.iteye.com/blog/1545150??hive--Sort Merge Bucket Map Join

http://blog.csdn.net/yfkiss/article/details/7816916? ?

原文鏈接：http://my.oschina.net/leejun2005/blog/178631

總結

以上是生活随笔為你收集整理的Hive 基础（1）：分区、桶、Sort Merge Bucket Join的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。