hive 动态分区与混合分区

hive的分区概念，相信大家都非常了解了。通过将数据放在hdfs不同的文件目录下，查表时，只扫描对应分区下的数据，避免了全表扫描。

提升了查询效率。

关于hive分区，我们还会用到多级分区、动态分区、混合分区，这些概念是什么含义，又该在何时使用呢？

静态分区

先说下静态分区。静态分区就是人为指定分区名。向分区插入数据的时候也要写明写入哪个分区。

我们给出建表，和插入数据的示例代码：

建表语句：

DROP TABLE IF EXISTS ods.employee;
CREATE TABLE IF NOT EXISTS ods.employee(
xjson STRING
)
COMMENT '员工表'
PARTITIONED BY (province,city)
ROW FORMAT DELIMITED

数据插入语句：

ALTER TABLE ods.employee DROP IF EXISTS PARTITION (`province`=${province},`city`=${city});
ALTER TABLE ods.employee ADD IF NOT EXISTS PARTITION (`province`=${province},`city`=${city})
INSERT OVERWRITE TABLE FINAL.employee PARTITION(`province`=${province},`city`=${city})
SELECT
	xjson
	FROM ods.employee_full
WHERE `province`=${province},`city`=${city};

tips:

1.进行drop分区，是为了方便重跑。不去手动增加partition也是可以的。

2.写入时用overwrite也是为了方便使用脚本重跑。

2.province`=${province},`city`=${city} 是为了使用调度执行时，可以穿入不同的参数。避免重复的代码。

 

需要注意的是，

1.我们指定分区的那一列 dt 可以看做hive的伪列，虽然在select查询时，会展现在数据的最后，但不会真正出现在数据中。

2.dt也不应该出现在表的某一列名中，否则会报错。

动态分区

动态分区是相对静态分区的。

动态分区可以根据我们指定的某个字段的值,将数据动态写入对应的分区。

我们指定的字段中每有一个取值,就会生成一个分区。

建表语句示例：

create table ods.employee like ods.employee_tmp;
必配参数：
set hive.exec.dynamici.partition=true; --开启动态分区，默认是false


可配置参数:
    set mapreduce.job.name=ods.ods_mysql_sale_sale_detail; --设置执行任务名称
    set hive.merge.mapredfiles = true; --Map-Reduce的任务结束时合并小文件
    set hive.exec.dynamic.partition.mode=nonstrict; --开启允许所有分区都是动态的，否则必须要有静态分区才能使用。
    set hive.exec.max.dynamic.partitions.pernode=100000;--缺省值是100，指每个mapper或reducer可以创建的最大动态分区个数，如果某个mapper或者reducerchangshi 创建大于这个数目的分区，那么就会报错。
    set hive.exec.max.dynamic.partitions =100000;--缺省值是+1000，指的是一个动态分区创建语句可以创建的最大分区数目，如果超过这个数目就会抛出一个致命错误。
    set hive.exec.max.created.files =1000000; --缺省值是100000，全局 可以创建的最大文件个数。

tips:hive建表时，like关键字可以创建结构完全相同的表。

 

数据插入语句示例：

insert overwrite tableods.employee partition(province,city)
select
	name,
	salary,
	subordinates,
	deductions,
	address,
	province,
	city
from ods.employee_tmp t

hive 会根据最后两个列，决定数据最终写入哪个分区中。

混合分区

了解了静态分区与动态分区。让我们学习下混合分区。

假设这样一种情况，我们使用了动态分区，一张表的某个字段的值，决定了另一张表的分区，

如果由于存在脏数据，或人为指定字段错误，就会在另一张表产生茫茫多的分区。

hive的分区数据也是元数据的一部分，由hdfs的namenode管理，hive启动后，会缓存在内存中。

一级分区过多会影响集群性能。

为了避免这种情况，就该使用混合分区。

混合分区的概念并不复杂，就是混合了动态分区和静态分区。且静态分区应该放到动态分区的前面。

插入数据时，第一级分区写死，第二级分区使用静态分区。这样就有效控制了由于分区过多，

导致文件名过多，影响hdfs性能的问题。

 

建表语句示例和动态分区一样，只是在数据插入时会体现出混合分区。

那么，看下数据插入语句：

insert overwrite tableods.employee partition(province='zhejiang',city)
select
	name,
	salary,
	subordinates,
	deductions,
	address,
	province,
	city
from ods.employee_tmp t

代码的第一行体现了混合分区的用法。

多级分区

多级分区，其实我们在上面一直在使用。这里再提一下，
就是第一级分区下，增加第二级分区。对应hdfs就是嵌套的文件夹。