在Hive中对表进行分区和存储有什么区别？

Question

我知道两者都是在表中的列上执行的，但是每个操作有何不同。

Answer 1

分区数据通常用于水平分布负载，这具有性能优势，并有助于以逻辑方式组织数据。示例：如果我们处理的是一个大employee表，并且经常使用带有WHERE将结果限制到特定国家或地区的子句运行查询。为了获得更快的查询响应，Hive表可以是PARTITIONED BY (country STRING, DEPT STRING)。分区表更改了Hive构造数据存储的方式，Hive现在将创建反映分区结构的子目录，例如

... /员工/ 国家 / 地区= ABC / DEPT = XYZ。

如果查询来自雇员的限制country=ABC，它将仅扫描一个目录的内容country=ABC。仅当分区方案反映通用筛选时，这才能大大提高查询性能。分区功能在Hive中非常有用，但是，创建过多分区的设计可能会优化某些查询，但会对其他重要查询不利。另一个缺点是，分区过多是不必要地创建了大量的Hadoop文件和目录，并给NameNode带来了开销，因为它必须将文件系统的所有元数据都保留在内存中。

存储桶是用于将数据集分解为更易于管理的部分的另一种技术。例如，假设一个表date用作顶级分区和employee_id第二级分区会导致太多的小分区。相反，如果我们对employee表进行存储并employee_id用作存储列，则该列的值将由用户定义的数字散列到存储桶中。具有相同记录的记录employee_id 将始终存储在同一存储桶中。假设的数量employee_id远大于存储桶的数量，则每个存储桶将具有许多employee_id。创建表时，您可以指定如下CLUSTERED BY (employee_id) INTO XX  BUCKETS;其中XX是存储桶数。桶装有几个优点。桶的数量是固定的，因此它不会随数据波动。如果两个表由进行存储employee_id，则Hive可以创建逻辑上正确的采样。桶也有助于进行有效的地图侧联接等。