分区

分区是将表的数据按照某个列的值进行划分和存储的一种方式。通过分区，可以将数据按照特定的维度进行组织，提高查询效率和数据管理的灵活性。

一、分区的优势

• 提高查询性能：通过分区，可以将数据按照特定的列值进行划分，使得查询只需要扫描特定分区的数据，减少了全表扫描的开销。
• 管理数据更加灵活：可以根据业务需求对数据进行分区，方便数据的管理和维护。
• 支持数据生命周期：可以根据数据的时间或其他维度进行分区，方便数据的归档和清理。

二、创建分区表

create table my_table(
    col1 int,
    col2 string
)
partitioned by (dt string,country string);

三、操作分区数据

-- 插入分区数据
insert into my_table partition (dt='2024-04-18',country='China')
values (1,'data1'),(2,'data2');

-- 查询分区数据
select col1,col2
from my_table
where dt='2024-04-18' and country='China';

四、分区的设置

• 选择合适的分区键，通常选择日期作为分区键
• 评估每天的数据增长量，预估未来三年内的空间情况及记录数
• 若每天的记录数较少，则选择范围分区，若每天记录数较多，则选择单值分区。
• 范围分区视数据增长情况，按月、按季、按年进行
• 时间：根据时间戳或日期将数据按照不同的时间段进行分区，例如按年、月、日等。
• 地理位置：根据地理位置将数据按照不同的地域进行分区，例如国家、城市等。
• 类别/类型：根据某个类别或类型属性将数据进行分类并进行相应的分区。

分桶

分桶是将表的数据按照哈希函数的结果进行划分和存储的一种方式。通过分桶，可以将数据均匀地分布到不同的桶中，提高查询的并行度和性能。

一、分桶的优势

• 提高查询性能：通过分桶，可以将数据均匀地分布到不同的桶中，使得查询可以并行地处理不同的桶，提高查询性能。
• 支持随机抽样：分桶可以方便地进行随机抽样操作，从而进行数据分析和调试。

二、创建分桶表

CREATE TABLE my_bucketed_table(
    col1 INT,
    col2 STRING
)
CLUSTERED BY (col1) INTO 4 BUCKETS
STORED BY (col2);

三、分桶数据的操作

-- 插入数据
insert overwrite table my_bucketed_table
select col1,col2 from my_table;

-- 查询数据
select col1,col2
from my_bucketed_table
where col1=1;

四、分桶键的确认

通常对于单个分桶，记录数建议不超过1000w，或压缩前文本大小不超过1000MB

• 分桶数必须为质数（只能被1和它本身整除的数）
• 分桶数量 < 500个
• 选择分桶字段时，尽量选择离散度较高的列，以避免造成Bucket的大小过意悬殊。
• 常用的分桶字段多为原表主键，或者身份证号码、手机号等信息
• 选择不会做update的字段（即确认下来的分桶键字段的值相对来说是常量，字段的值不会因为业务而变动）

查看数据分布，确认离散度较高的列，也就是相对来说数据分布较为均衡的字段。

select column_name,count(*) as count
from table_name
group by column_name
order by count;

分区分桶数的综合评估

• 分区数 * 分桶数 < 10000个
• 单个分区记录数 < 5000w
• 分区数量 < 200个
• 单个分区内的分桶数是否小于Hive配置CPU数

— 要养成终身学习的习惯 —