蜂巢中分区和分区的结构差异

Question

我创建了两个表:

1)一个用于分区的分区
2)只有分层表

我知道hive中分区和分区的概念.但我有点困惑,因为我已经读过'partition creates directory and bucketing creates files'.我同意第一部分,因为我可以在HDFS Hive Warehouse中看到,但ONLY除了我加载到表中的数据文件之外,我无法在HDFS中看到任何用于bucketing表的文件.那么ONLYbucketing表的文件在哪里？我能够在分区目录下看到的文件是一个喜欢的文件,eg: 00000_0但是这个文件可以用于分区表但是另一个bucketed表呢？
下面是我创建表的代码:

CREATE TABLE Employee(
ID BIGINT,
NAME STRING, 
SALARY BIGINT,
COUNTRY STRING 
)
CLUSTERED BY(ID) INTO 5 BUCKETS
ROW FORMAT DELIMITED FIELDS TERMINATED BY ','
STORED AS TEXTFILE;  

负载数据代码如下:

load data local inpath '/home/cloudera/Desktop/SampleData.txt' into table employee;  

我已经读过,当我们创建表时会创建存储桶.如果我遗漏了某些内容或出错了,请更正我.有人请帮忙吗？

Answer 1

我创建了hive外部表(通常是我的选择).你可以坚持下去.

请按以下步骤操作:

1. 创建一个数据库

   CREATE DATABASE IF NOT EXISTS testdb LOCATION '/hivedb/testdb';
   

2. 创建一个聚簇表(bucketed table)

   CREATE TABLE testdb.Employee(
   ID BIGINT,
   NAME STRING, 
   SALARY BIGINT,
   COUNTRY STRING 
   )
   CLUSTERED BY(ID) INTO 5 BUCKETS
   ROW FORMAT DELIMITED FIELDS TERMINATED BY ','
   STORED AS TEXTFILE
   LOCATION '/hivedb/testdb/employee';
   

3. 创建一个普通表

   CREATE TABLE testdb.Employee_plain_table(
   ID BIGINT,
   NAME STRING, 
   SALARY BIGINT,
   COUNTRY STRING 
   )
   ROW FORMAT DELIMITED FIELDS TERMINATED BY ','
   STORED AS TEXTFILE
   LOCATION '/hivedb/testdb/employee_plain_table';
   

4. 按照@lake在上一个答案中的建议执行分组

   set hive.enforce.bucketing = true;
   

5. 创建一个数据文件('data.txt').我创建了一个包含20条记录的数据文件.

   1,AAAAA,1000.00,USA
   2,BBBBB,2000.00,CANADA
   3,CCCCC,3000.00,MEXICO
   4,DDDDD,4000.00,BRAZIL
   5,EEEEE,5000.00,ARGENTINA
   6,DDDDD,6000.00,CHILE
   7,FFFFF,7000.00,BOLIVIA
   8,GGGGG,8000.00,VENEZUELA
   9,HHHHH,9000.00,PERU
   10,IIIII,10000.00,COLOMBIA
   11,JJJJJ,11000.00,EQUADOR
   12,KKKKK,12000.00,URUGUAY
   13,LLLLL,13000.00,PARAGUAY
   14,MMMMM,14000.00,GUYANA
   15,NNNNN,15000.00,NICARAGUA
   16,OOOOO,16000.00,PANAMA
   17,PPPPP,17000.00,COSTA RICA
   18,QQQQQ,18000.00,HAITI
   19,RRRRR,19000.00,DOMINICA
   20,SSSSS,20000.00,JAMAICA
   

6. 将数据文件复制到HDFS位置'/ hivedb/testdb/employee_plain_table'

   ./hadoop fs -put ~/so/data.txt /hivedb/testdb/employee_plain_table
   

7. 在testdb.Employee_plain_table上运行select*命令

   select * from testdb.Employee_plain_table;
   

   这应该显示20条记录.

8. 使用insert命令

   insert overwrite table testdb.employee select * from employee_plain_table;
   

   这应该运行map reduce作业并将记录插入到bucketed表中.

   这将创建5个文件,因为我们有5个桶,根据employee表的DDL.

9. 使用命令验证:

   ./hadoop fs -ls /hivedb/testdb/employee
   Found 5 items
   -rwxr-xr-x   1 hduser supergroup 95 2017-10-19 11:04 /hivedb/testdb/employee/000000_0
   -rwxr-xr-x   1 hduser supergroup 81 2017-10-19 11:04 /hivedb/testdb/employee/000001_0
   -rwxr-xr-x   1 hduser supergroup 90 2017-10-19 11:05 /hivedb/testdb/employee/000002_0
   -rwxr-xr-x   1 hduser supergroup 88 2017-10-19 11:05 /hivedb/testdb/employee/000003_0
   -rwxr-xr-x   1 hduser supergroup 84 2017-10-19 11:05 /hivedb/testdb/employee/000004_0
   

打开每个文件,与原始数据文件进行比较,您就会知道发生了什么.

希望这能澄清您的疑问!参考:https://cwiki.apache.org/confluence/display/Hive/LanguageManual+DDL+BucketedTables

更新:您使用"本地"加载,它只是一个复制操作,即它将给定的输入文件从源位置复制到目标位置.来自"local"的加载命令是副本,而来自"hdfs"的加载命令是移动操作.没有涉及mapreduce,所以没有发生任何争吵.