本篇概览

本文是《hive学习笔记》的第五篇，前文学习了分区表，很容易发现分区表的问题：

1. 分区字段的每个值都会创建一个文件夹，值越多文件夹越多；
2. 不合理的分区会导致有的文件夹下数据过多，有的过少；
   此时可以考虑分桶的方式来分解数据集，分桶原理可以参考MR中的HashPartitioner，将指定字段的值做hash后，根据桶的数量确定该记录放在哪个桶中，另外，在join查询和数据取样时，分桶都能提升查询效率；

• 接下来开始实战；

配置

1. 执行以下设置，使得hive根据桶的数量自动调整上一轮reducers数量：

set hive.enforce.bucketing = true;

2. 如果不执行上述设置，您需要自行设置mapred.reduce.tasks参数，以控制reducers数量，本文咱们配置为hive自动调整；

准备数据

接下来先准备外部表t13，往里面添加一些数据，将t13作为后面分桶表的数据源：

1. 表名t13，只有四个字段：

create external table t13 (name string, age int, province string, city string) 
row format delimited 
fields terminated by ',' 
location '/data/external_t13';

2. 创建名为013.txt的文件，内容如下：

tom,11,guangdong,guangzhou
jerry,12,guangdong,shenzhen
tony,13,shanxi,xian
john,14,shanxi,hanzhong

3. 将013.txt中的四条记录载入t13：

load data 
local inpath '/home/hadoop/temp/202010/25/013.txt' 
into table t13;

分桶

1. 创建表t14，指定字段分桶，桶数量为16：

create table t14 (name string, age int, province string, city string) 
clustered by (province, city) into 16 buckets
row format delimited 
fields terminated by ',';

2. 从t13导入数据，注意语法是from t13开始，要用overwrite关键字：

from t13
insert overwrite table t14 
select name, age, province, city;

3. 导入过程如下图所示，可见reducer数量已被自动调整为桶数量：

4. 导入后，查看hdfs，可见被分为16个文件，(和分区对比一下，分区是不同的文件夹)：

取样

执行以下语句，取样查看t14的数据：

hive> select * from t14 tablesample(bucket 1 out of 2 on province, city);
OK
tom	11	guangdong	guangzhou
john	14	shanxi	hanzhong
Time taken: 0.114 seconds, Fetched: 2 row(s)

• 至此，分桶操作就完成了，基础知识的实践已经完成，接下来开始一些进阶实践；