分区表重点掌握分区表
分区表基本操作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。
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 ……
创建分区表语法
create table dept_partition ( deptno int, dname string, loc string ) partitioned by (day string) row format delimited fields terminated by 't'; -- 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。
数据准备
# dept_20200401.log 10 ACCOUNTING 1700 20 RESEARCH 1800 # dept_20200402.log 30 SALES 1900 40 OPERATIONS 1700 # dept_20200403.log 50 TEST 2000 60 DEV 1900
数据加载
hive (default)> load data local inpath '/opt/module/hive/datas/dept_20200401.log' into table dept_partition partition(day='20200401'); hive (default)> load data local inpath '/opt/module/hive/datas/dept_20200402.log' into table dept_partition partition(day='20200402'); hive (default)> load data local inpath '/opt/module/hive/datas/dept_20200403.log' into table dept_partition partition(day='20200403');
查询分区中的数据
单分区查询
hive (default)> select * from dept_partition where day='20200401';
多分区联合查询
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';
hive (default)> select * from dept_partition where day='20200401' or
day='20200402' or day='20200403' ;
查看分区表有多少分区
对应到hdfs就是目录
show partitions dept_partition;
添加分区
alter table dept_partition add partition(day='20200404'); # 添加多个分区 alter table dept_partition add partition(day='20200404') partition(day='20200405');
删除分区
# 注意：删除分区之后hdfs中对应的目录是否也删除了呢？这个取决于你的表是内部表还是外部表，如果是内部表，则hdfs对应的目录也会删除 alter table dept_partition drop partition(day='20200404'); # 删除多个的时候需要加逗号 alter table dept_partition drop partition(day='20200404'),partition(day='20200405');二级分区
思考：如果一天的日志数据量也很大，如何再将数据拆分呢？
创建二级分区表
create table dept_partition2( deptno int, dname string, loc string ) partitioned by (day string, hour string) row format delimited fields terminated by 't';
正常的加载数据
load data local inpath '/opt/module`/hive/datas/dept_20200401.log' into table dept_partition2 partition(day='20200401', hour='12');
查询分区数据
select * from dept_partition where day='20200401' and hour='12';
把数据和分区表关联的三种方式
方式一：手动创建分区目录，手动上传数据，进行分区修复操作
# 创建分区 dfs -mkdir -p /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=13; # 上传数据 dfs -put /opt/module/datas/dept_20200401.log /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=13; # 注意：这个时候直接 show partitions dept_partition;是查不到新创建的
# 进行分区修复操作 msck repair table dept_partition;
方式二：手动创建分区目录，手动上传数据，手动添加分区
alter table dept_partition add partition(day='20200401',hour='14');
方式三：手动创建分区目录，load数据到分区
# 创建分区目录 dfs -mkdir -p /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=15; # load数据到分区 load data local inpath '/opt/module/hive/datas/dept_20200401.log' into table dept_partition2 partition(day='20200401',hour='15');动态分区
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。
开启动态分区参数设置
（1）开启动态分区功能（默认true，开启） hive.exec.dynamic.partition=true （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。） hive.exec.dynamic.partition.mode=nonstrict （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 hive.exec.max.dynamic.partitions=1000 （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。 hive.exec.max.dynamic.partitions.pernode=100 （5）整个MR Job中，最大可以创建多少个HDFS文件。默认100000 hive.exec.max.created.files=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 hive.error.on.empty.partition=false
案例实操
需求：将dept表中的数据按照日期day字段，插入到目标表dept_partition_dy的相应分区中
-- 创建目标分区表 create table dept_partition_dy( deptno int, dname string, loc string ) partitioned by (day string) row format delimited fields terminated by 't'; -- 数据准备 dept_partition_dy.txt 10 ACCOUNTING 1700 20211006 20 RESEARCH 1800 20211007 -- 这里需要把数据先上传到hdfs上，然后再load,如果在本地load的话，可能存在跑MR的主机不是当前数据存在的这个机器，导致文件不存在报错 -- 加载数据 load data inpath '/dept_partition_dy.txt' into table dept_partition_dy; -- ok
分桶表注意：以前老版本的hive不支持load这种跑MR的命令，可以先创建一个临时表，然后通过insert select的这种方式创建动态分区
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。
创建分桶表
create table stu_buck( id int, name string ) clustered by(id) -- 指定分桶字段 into 4 buckets -- 指定桶的数量 row format delimited fields terminated by 't';
数据准备 student.txt
1001 student1 1002 student2 1003 student3 1004 student4 1005 student5
数据上传到hdfs,并load
hadoop fs -put student.txt / load data inpath '/student.txt' into table stu_buck;
分桶规则
抽样查询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
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。
select * from stu_buck tablesample(bucket 1 out of 4 on id);
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
