01 hive数据模型

hive数据模型关系图如下：

上图，可以看到 hive 主要有几种数据模型，分别是：

  • DataBase：数据库

  • Table：表

  • Partition：分区

  • Bucket：桶

1.1 DataBase数据库

DataBase数据库：相当于关系型数据库中的命名空间，作用是将数据库应用隔离到不同的数据库模式中 。

相关的命令:

  • create database 数据库名；

  • use 数据库名；

  • 以及drop database数据库名等语句；

1.2 Table表

Table表：表是由存储的数据以及描述表的一些元数据组成。数据存储再分布式文件系统中，元数据存储在关系型数据库中；

hive表分四种：

  • MANGED_TABLE :内部表

  • EXTERNAL_TABLE：外部表

  • INDEX_TABLE：索引表

  • VIRTUAL_VIEW ：视图表

相关的命令（查看表的具体信息使用）:

  • desc tablename

  • desc formatted tablename

1.2.1 内部表

hive 会默认把数据存储到 /user/hive/warehouse 目录里面：

CREATE TABLE managed_table (dummy STRING);
LOAD DATA INPATH '/user/tom/data.txt' INTO table managed_table;

描述： 根据上面的代码，hive 会把文件 data.txt 文件存储在 managed_table 表的 warehouse 目录下，即 hdfs://user/hive/warehouse/managed_table 目录。

1.2.2 外部表

外部表与内部表的行为上有些差别。我们能够控制数据的创建和删除。删除外部表的时候，hive只会删除表的元数据，不会删除表数据（数据路径是在创建表的时候指定的）：

CREATE EXTERNAL TABLE external_table (dummy STRING)

LOCATION '/user/tom/external_table';

LOAD DATA INPATH '/user/tom/data.txt' INTO TABLE external_table;

描述：利用EXTERNAL关键字创建外部表，Hive不会去管理表数据，所以它不会把数据移到/user/hive/warehouse目录下

1.3 Partition分区

1.3.1.1 静态分区

  • 把输入数据文件单独插入分区表的叫静态分区；

  • 通常在加载文件（大文件）到 Hive 表的时候，首先选择静态分区；

  • 在加载数据时，静态分区比动态分区更节省时间；

  • 你可以通过 alter table add partition 语句在表中添加一个分区，并将文件移动到表的分区中；

  • 我们可以修改静态分区中的分区；

  • 您可以从文件名、日期等获取分区列值，而无需读取整个大文件；

  • 如果要在 Hive 使用静态分区，需要把 hive.mapred.mode 设置为strict，set hive.mapred.mode=strict；

  • 静态分区是在严格模式进行下；

  • 你可以在 Hive的内部表和外部表使用静态分区。

1.3.1.2 动态分区

  • 对分区表的一次性插入称为动态分区。

  • 通常动态分区表从非分区表加载数据。

  • 在加载数据的时候，动态分区比静态分区会消耗更多时间。

  • 如果需要存储到表的数据量比较大，那么适合用动态分区。

  • 假如你要对多个列做分区，但又不知道有多少个列，那么适合使用动态分区。

  • 动态分区不需要 where子句使用limit。

  • 不能对动态分区执行修改。

  • 可以对内部表和外部表使用动态分区。

  • 使用动态分区之前，需要把模式修改为非严格模式。set hive.mapred.mode=nostrict。

1.3.2 Partition分区例子

如上图所示，假如你有一个存储学生信息的表，表名为 student_details，列分别是 student_id，name，department，year 等。现在，如果你想基于 department列对数据进行分区。那么属于同一个 department的学生将会被分在同一个分区里面（在物理上，一个分区其实就是表目录下的一个子目录）。

假如所有 department = EEE 的学生数据被存储在 /user/hive/warehouse/student_details/department=EEE 目录下。那么查询 department 为 EEE 的学生信息，只需要查询 EEE 目录下的数据即可，不需要全表扫描，这样查询的效率就比较高。

而在真实生产环境中，你需要处理的数据可能会有几百 TB，如果不分区，在你只需要表的其中一小部分数据的时候，你不得不走全表扫描，这样的查询将会非常慢而且浪费资源，可能95%的数据跟你的查询语句并没有关系。

1.4 Bucket分桶

Bucket通描述：

  • hive可以对每一个表或者是分区，进一步组织成桶，也就是说桶是更为细粒度的数据范围划分。

  • hive 是针对表的某一列进行分桶。

  • hive 采用对表的列值进行哈希计算，然后除以桶的个数求余的方式决定该条记录存放在哪个桶中（分桶的好处是可以获得更高的查询处理效率，使取样更高效）。

要使用hive的分桶功能，首先需要打开hive对桶的控制：

set hive.enforce.bucketing=true;

分桶表创建命令：

CREATE TABLE table_name
PARTITIONED BY (partition1 data_type, partition2 data_type,….) 
CLUSTERED BY (column_name1, column_name2, …) 
SORTED BY (column_name [ASC|DESC], …)] 
INTO num_buckets BUCKETS;

每个桶只是表目录或者分区目录下的一个文件，如果表不是分区表，那么桶文件会存储在表目录下，如果表是分区表，那么桶文件会存储在分区目录下。所以你可以选择把分区分成 n 个桶，那么每个分区目录下就会有 n 个文件。

1.4.1 分桶特性

数据分桶原理是基于对分桶列做哈希计算，然后对哈希的结果和分桶数取模。分桶特性如下：

  • 哈希函数取决于分桶列的类型。

  • 具有相同分桶列的记录将始终存储在同一个桶中。

  • 使用 clustered by 将表分成桶。

  • 通常，在表目录中，每个桶只是一个文件，并且桶的编号是从 1 开始的。

  • 可以先分区再分桶，也可以直接分桶。

  • 此外，分桶表创建的数据文件大小几乎是一样的。

1.4.2 分桶好处

  • 与非分桶表相比，分桶表提供了高效采样。通过采样，我们可以尝试对一小部分数据进行查询，以便在原始数据集非常庞大时进行测试和调试；

  • 由于数据文件的大小是几乎一样的，map 端的 join在分桶表上执行的速度会比分区表快很多。在做map端 join 时，处理左侧表的 map知道要匹配的右表的行在相关的桶中，因此只需要检索该桶即可；

  • 分桶表查询速度快于非分桶表；

  • 分桶的还提供了灵活性，可以使每个桶中的记录按一列或多列进行排序。 这使得 map 端 join 更加高效，因为每个桶之间的 join变为更加高效的合并排序（merge-sort）；

1.5 分区与分桶的区别

分区与分桶的区别：

  • 分区和分桶最大的区别就是分桶随机分割数据库，分区是非随机分割数据库；

  • 分区是水平划分，表的部分列的集合，可以为频繁使用的数据建立分区，这样查找分区中的数据时就不需要扫描全表，这对于提高查找效率很有帮助；

  • 分桶是垂直划分，桶是通过对指定列进行哈希计算来实现的，通过哈希值将一个列名下的数据切分为一组桶，并使每个桶对应于该列名下的一个存储文件;

  • （hive使用对分桶所用的值进行hash，并用hash结果除以桶的个数做取余运算的方式来分桶，保证了每个桶中都有数据，但每个桶中的数据条数不一定相等）;

  • 分桶是存储在文件中，分区是存放在文件夹中，分桶要比分区查询效率高。

文章引用自:Hive数据模型