Hive分区参考

hive 为了避免全表查询，从而引进分区，将数据按目录进行划分，减少不必要的查询，从而提高效率

mysql的分区字段用的是表内字段，hive的分区字段采用表外字段，也就是使用伪字段，分区字段在创建表的时候指定

hiveexecdynamicpartition=true; 是否允许动态分区
hiveexecdynamicpartitionmode=strict/nostrict; 动态区模式为严格模式
hiveexecmaxdynamicpartitions=1000; 允许最大的动态分区
hiveexecmaxdynamicpartitionspernode=100; 单个节点允许最大分区

strict:严格模式，最少需要一个静态分区列(指定固定值)
nostrict:费严格模式，允许所有的分区字段都为动态。

hive的静态分区：分区数据已知
hive的动态分区：分区数据未知(不知道有多少个分区)
hive的混合分区：有动态有静态

分区使用表外的字段，分桶使用表内字段
分区可以使用load加载数据，而分桶就必须要使用insert into方式加载数据
分区常用；分桶少用。

语法：

假设我们有一个表叫employee ，拥有如 Id, Name, Salary, Designation, Dept, 和 yoj (即加盟年份)字段。

假设需要检索所有在2017年加入，查询搜索整个表所需的信息员工的详细信息。

但是，如果用年份分区雇员数据并将其存储在一个单独的文件，它减少了查询处理时间。

例如：/employee/employeedata/2017/file2017

语法：

例如：

语法：

例如：

语法：

例如：

1
查询语言。由于 SQL 被广泛的应用在数据仓库中，因此，专门针对 Hive 的特性设计了类 SQL 的查询语言 HQL。熟悉 SQL 开发的开发者可以很方便的使用 Hive 进行开发。
2 数据存储位置。Hive 是建立在 Hadoop 之上的，所有 Hive 的数据都是存储在 HDFS 中的。而数据库
则可以将数据保存在本地文件系统中。
3 数据格式。Hive 中没有定义专门的数据格式，数据格式可以由用户指定，用户定义数据格式需要指定三
个属性：列分隔符（通常为空格、”\t”、”\x001″）、行分隔符（”\n”）以及读取文件数据的方法（Hive 中默认有三个文件格式 TextFile，SequenceFile 以及 RCFile）。由于在加载数据的过程中，不需要从用户数据格式到 Hive 定义的数据格式的转换，因此，Hive 在加载的过程中不会对数据本身进行任何修改，而只是将数据内容复制或者移动到相应的 HDFS 目录中。而在数据库中，不同的数据库有不同的存储引擎，定义了自己的数据格式。所有数据都会按照一定的组织存储，因此，数据库加载数据的过程会比较耗时。
4 数据更新。由于 Hive 是针对数据仓库应用设计的，而数据仓库的内容是读多写少的。因此，Hive 中不
支持对数据的改写和添加，所有的数据都是在加载的时候中确定好的。而数据库中的数据通常是需要经常进行修改的，因此可以使用 INSERT INTO VALUES 添加数据，使用 UPDATE
SET 修改数据。
5 索引。之前已经说过，Hive 在加载数据的过程中不会对数据进行任何处理，甚至不会对数据进行扫描，
因此也没有对数据中的某些 Key 建立索引。Hive 要访问数据中满足条件的特定值时，需要暴力扫描整个数据，因此访问延迟较高。由于 MapReduce 的引入， Hive 可以并行访问数据，因此即使没有索引，对于大数据量的访问，Hive 仍然可以体现出优势。数据库中，通常会针对一个或者几个列建立索引，因此对于少量的特定条件的数据的访问，数据库可以有很高的效率，较低的延迟。由于数据的访问延迟较高，决定了 Hive 不适合在线数据查询。
6 执行。Hive 中大多数查询的执行是通过 Hadoop 提供的 MapReduce 来实现的（类似 select from tbl
的查询不需要 MapReduce）。而数据库通常有自己的执行引擎。
7 执行延迟。之前提到，Hive 在查询数据的时候，由于没有索引，需要扫描整个表，因此延迟较高。另外
一个导致 Hive 执行延迟高的因素是 MapReduce 框架。由于 MapReduce 本身具有较高的延迟，因此在利用 MapReduce 执行 Hive 查询时，也会有较高的延迟。相对的，数据库的执行延迟较低。当然，这个低是有条件的，即数据规模较小，当数据规模大到超过数据库的处理能力的时候，Hive 的并行计算显然能体现出优势。
8 可扩展性。由于 Hive 是建立在 Hadoop 之上的，因此 Hive 的可扩展性是和 Hadoop 的可扩展性是
一致的（世界上最大的 Hadoop 集群在 Yahoo!，2009年的规模在 4000 台节点左右）。而数据库由于 ACID 语义的严格限制，扩展行非常有限。目前最先进的并行数据库 Oracle 在理论上的扩展能力也只有 100 台左右。
9 数据规模。由于 Hive 建立在集群上并可以利用 MapReduce 进行并行计算，因此可以支持很大规模的
数据；对应的，数据库可以支持的数据规模较小。

基本语法：

例：将表table_change_new中的字段name移到addr字段后面name和addr都是string类型

注：移动列位置的坑
上面的这种位置转移涉及到类型强制转换问题，
比如int不能被转换成string
尝试将sex字段int类型移动到addr后面，addr后面现在是name字段string类型

报当前列sex类型和现有位置的列name不相容的错误

例：将name放到第一列，现在name在第二列

例：创建表city，字段分隔符为#

将一份以tab作为字段分隔符的数据导入city，数据都被作为第一个字段的值

将字段分隔符改为tab

再次查看city表，每个字段值都被正常显示

例：创建分区表city，字段分隔符为#

将一份以tab作为字段分隔符的数据导入city，数据都被作为第一个字段的值， 分区表导入数据时要指定分区

查看此时的city表，数据都被赋给第一个字段

将字段分隔符改为tab

查看此时的字段分隔符参数， 发现还是#

修改分区表序列参数的坑：

注：如果修改serdeproperties参数的时候不加分区，那么字段分隔符参数fielddelim会被改为\t，但是还是没法把该分区的数据分隔开

分区等于20191010的数据可以正常显示
再导入新的数据，设分区等于20191110

发现新分区的数据无法按照分隔符tab显示
再导入新的数据，分区还是等于20191010

此时的数据还是无法显示
再导入新数据，设分区等于20191110

基本语法：

例：将内表city的location修改到/home/yy
此时/home/yy目录下有两个文件

此时city显示的/home/yy目录下的所有文件内容

内表转外表

外表转内表

内部表：
数据由hive自身管理 存储在hive指定的hdfs目录中 删除会删除数据本身
外部表（external）：
数据存储在用户使用location关键字指定的hdfs目录中 hive中仅存储一份元数据 删除 *** 作不会影响到hdfs中原本的数据文件

将hdfs中文件存储在不同的目录下 hive查询时仅查询指定目录下的数据 避免扫描全部文件 可以极大的加速查询 hive支持静态分区和动态分区
静态分区由用户指定分区所在的目录 而动态分区由表中的某一个字段来决定每条数据所在的分区

创建了一个bill表其中包含三个业务字段
partitioned by (day int) 指定了day为分区标志 在查询时使用 where day = 20201010 来指定分区

为bill表添加一个分区目录20201010 当指定day = 20201010时 将在这个分区查询数据
随日期增加 需要手动将对应日期的目录作为分区添加到bill中 可以使用crontab 每天自动执行一次添加分区的 *** 作

分区表将数据组织成分区，主要可以提高数据的查询速度。

如果把一年或者一个月的日志文件存放在一个表下，那么数据量会非常的大，当查询这个表中某一天的日志文件的时候，查询速度还非常的慢，这时候可以采用分区表的方式，把这个表根据时间点再划分为小表。这样划分后，查询某一个时间点的日志文件就会快很多，因为这是不需要进行全表扫描。

Hive中的分区是根据“分区列”的值对表的数据进行粗略的划分，Hive中一个表对应一个目录，再根据分区列在这个表目录下创建子目录，每个子目录名就是分区列的名字。分区列定义与表中字段相似，但是与表中的字段无关，是独立的列。这样就加快了数据查询的速度，因为不会对这个表中进行全盘扫描了。

（1）建表语句
create table if not exists latte_d_test
(
uid string comment "用户ID",
vld_flg string comment "该条记录是否有效，1-有效，0-无效"
)
COMMENT "test表"
PARTITIONED BY (day STRING);

（2）设置分区表参数
set hiveexecdynamicpartition = true;
设置为true表示开启动态分区功能（默认为false）。
set hiveexecdynamicpartitionmode = nonstrict;
设置为nonstrict，表示允许所有分区都是动态的（默认为strict）。

（3）插入数据
insert overwrite table latte_d_test partition(day)
select uid,
'1',
'2016-10-10'
from test

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

---