hive 分区表

hive 分区表：

分区字段的物理表现：

hive分区表 ，其真实的表现其实就是在 存储hive表的文件夹的下面，创建新的文件夹，

文件夹的名字是 分区字段=字段取值 这种格式的。

分区的优点：

当分区表的数据很大的时候，可以指定查询表格之中的部分数据。

设置表格分区字段需要的注意点：

1：分区字段的取值不要很多，因为这样会造成表的文件夹的下面会出现很多的小的文件夹

2: 一般可以将sql之中 where 之中出现的字段作为 分区的字段。（可以当作分区字段选取的一个参考）

查看表格是否是分区表：

desc formatted table_name

分区表的话 ，会有Partition Information

向分区表插入数据：

情况分为：

1：向表格之中插入数据，明确指定插入的分区的名字

2：向表格之中插入数据，不明确指定插入的数据的名字，而是根据插入的数据的某个字段的取值来自动决定数据

被插入到哪一个分区之中。被称为动态分区。

如何开启hive 动态分区的功能？

set  hive.exec.dynamici.partition=true

hive 动态分区：有两种模式：

严格模式 和非严格模式

严格模式：

动态分区的时候，必须有一个分区是静态的。

非严格模式，对分区是否是静态的不在意。

如何设置 动态分区的模式？

set hive.exec.dynamic.partition.mode=nostrict

默认的模式是strict 严格模式。

插入数据时 明确指定需要插入的分区的值：

sql demo ：

1:load data [local] inpath 'path' into table xxx partition(partition_fields partiton_type)

2:insert into table table_a partition(partition_fields partition_type)

select * from table_b [....]

使用insert 的时候 ，需要注意前后表的表的字段数目是匹配的，

如果表的前后字段是不匹配的话，那么就是会报错。

向分区表之中插入数据的时候，根据数据的某个字段的值，来创建分区，

以及决定数据被插入到哪一个分区之中。

sql demo:

对一个分区 进行动态分区：

首先要设置两个参数：

set  hive.exec.dynamici.partition=true

set hive.exec.dynamic.partition.mode=nostrict

然后就是可以使用动态分区了。

分区值的推断，是根据后面查询的最后字段来决定的，只有一个分区，

那么就是查询的最后一个字段，如果是两个，那么就是从后往前的字段进行匹配。

insert into table pp partition(`date`) select name,age,`date` from par

这里的sql demo 

是将par 的`date` 字段 作为pp表之中 `date`分区的取值。

部分动态分区：

就是多个分区，但是前面的分区的取值是取静态的，然后后面的分区的取值是未定的。

类似于 partition(country='china',city)

这里需要注意的是顺序，静态分区在前面，动态分区在后面。

然后就是多个分区，完全的动态分区：

完全动态分区的时候，就是使用后面select 查询的表进行分区数据的匹配。

、

动态分区在实际使用的时候会遇到的问题：

动态分区的一个使用场景：

首先加载数据到一个表格a之中，然后将这个表格之中再次转化到另外一个

表格b之中,表a转化到表b的时候，使用动态分区。

因为直接使用load 加载数据的时候，对于分区表而言，加载数据只能指定固定的分区名，

无法使用动态分区来加载数据。

相应的问题就是：

如果a表本身含有很多的文件，那么使用动态分区的时候，

那么在b表的时候，就是会产生很多的小文件。

原因如下：

如果 a表之中数据文件是200个，

那么动态分区的时候，可能会产生200个map,

然后一个map包含的数据之中，可能有多个分区的取值，

所以一个map 会产生多个文件。

所以后果就是，在新的b表之中的每个分区下面，会产生很多的小文件。

总结来说：不好的影响就是可能会产生很多的小文件。

解决的方式：

因为动态分区转化成为的mapredue job 是没有reduce,所以数目不好控制，

所以可以采用的方式，就是手动增加reduce的数目，

可以使用distributed by 来增加 reduce的数目。

insert into table table_a partition('partition_name')

select *  from table_b

dirtribute by partitoin_name

但是这样的方式，就是可能导致 reduce之间包含的数据量的不均匀。

所以解决的方法就是：

distribute by rand()

使用hash 随机分区，这样的方式，来讲数据均匀分配到reduce之中。

然后每个reduce 会产生 分区取值数目的文件，

例子： reduce数目为 200 分区的取值数位24

那么最后产生的文件的数目就是 200* 24个文件。

其实可以通过exlpain 来解析sql的执行计划，这样的话，

可以看出是否具有reduce *** 作。

查询表的分区信息：

show partitions table_name

向分区表之中增加分区：

alter table table_name add partition(pfield=pvalue,...)

如果表格之中有多个分区的话，那么增加分区的时候，也是多个分区

一同增加的。

删除分区：

alter table table_name drop partition(pfield=pval)

分区信息修改：

分区信息的修改分为 分区名的修改 和 分区数据的修改 两种

分区名的修改

alter table table_name partition(pfield=pvalue) rename to partition(pfield=pvalue)

分区数据的修改：

alter table table_name partition(pfield=pvalue) set location 'data_location'

我们有一批日志数据存储在hdfs上，按天创建目录，如2018-07-31的日志hdfs路径为：/data/logs/gateway/20180731。

现在要用hive分析数据，同时要保证这些数据目录不能改变，就需要hive用外表的方式与这些数据进行关联。

示例：

但是，看下文件列表

一共108个待添加的目录，这样一个个添加太累人，有没有批量添加的方法呢？

Hive有个MSCK命令，可以扫描数据分区目录，修复元信息，目录与元信息不一致时，能自动更新。

但是，数据目录必须是Hive习惯路径格式：

同时，建表时指定LOCATION为分区目录的父目录：

这时，用命令

即可自动把所有的数据按dt分区，添加到gateway_analysis中。

由于我们的目录格式不符合，只能用ADD PARTITION的方式了。

为减少工作量，写了个shell脚本，自动添加 /data/logs/gateway 目录下所有的分区目录到gateway_analysis表中：

Hive分区。

     是指按照数据表的某列或某些列分为多个区，区从形式上可以理解为文件夹，比如我们要收集某个大型网站的日志数据，一个网站每天的日志数据存在同一张表上，由于每天会生成大量的日志，导致数据表的内容巨大，在查询时进行全表扫描耗费的资源非常多。那其实这个情况下，我们可以按照日期对数据表进行分区，不同日期的数据存放在不同的分区，在查询时只要指定分区字段的值就可以直接从该分区查找。

下面从用shell命令 *** 作分区表和从hdfs文件系统查看分区表相结合的方式加深对分区表的认识。

第一，创建分区表并将本地文件中的数据加载到分区表中。

要注意的是：首先，创建分区表的时候，要通过关键字 partitioned by （name  string）声明该表是分区表，并且是按照字段name进行分区，name值一致的所有记录存放在一个分区中，分区属性name的类型是string类型。当然，可以依据多个列进行分区，即对某个分区的数据按照某些列继续分区。

其次，向分区表导入数据的时候，要通过关键字partition（name=“jack”）显示声明数据要导入到表的哪个分区，这里表示要将数据导入到分区为name=jack的分区。

再次，这里要重点强调，所谓分区，这是将满足某些条件的记录打包，做个记号，在查询时提高效率，相当于按文件夹对文件进行分类，文件夹名可类比分区字段。这个分区字段形式上存在于数据表中，在查询时会显示到客户端上，但并不真正在存储在数据表文件中，是所谓伪列。所以，千万不要以为是对属性表中真正存在的列按照属性值的异同进行分区。比如上面的分区依据的列name并不真正的存在于数据表中，是我们为了方便管理添加的一个伪列，这个列的值也是我们人为规定的，不是从数据表中读取之后根据值的不同将其分区。我们并不能按照某个数据表中真实存在的列，如userid来分区

---