hive 分区的详细解释

我就是我 2022-06-08 03:51 150阅读 0赞

> 一、什么是分区,以及为什么分区？

1、分区是储存位置的物理区别，表实质上被分割了；而group by等只是对表进行查询时的非显示区别，实质表并未被分割。

2、在Hive Select查询中一般会扫描整个表内容，会消耗很多时间做没必要的工作。有时候只需要扫描表中关心的一部分数据，因此建表时引入了partition概念【注意partition与group by distribute by的区别】。

3、分区表指的是在创建表时指定的partition的分区空间。

4、如果需要创建有分区的表，需要在create表的时候调用可选参数partitioned by，详见表创建的语法结构。

> 二、技术细节

1、一个表可以拥有一个或者多个分区，每个分区以文件夹的形式单独存在表文件夹的目录下。

2、表和列名不区分大小写。

3、分区是以字段的形式在表结构中存在，通过describe table命令可以查看到字段存在，但是该字段不存放实际的数据内容，仅仅是分区的表示。

4、建表的语法（建分区可参见PARTITIONED BY参数）：

CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name [(col_name data_type [COMMENT col_comment], ...)] 
    [COMMENT table_comment] 
    [PARTITIONED BY (col_name data_type [COMMENT col_comment], ...)] 
    [CLUSTERED BY (col_name, col_name, ...)
    [SORTED BY (col_name [ASC|DESC], ...)] 
    INTO num_buckets BUCKETS] 
    [ROW FORMAT row_format] 
    [STORED AS file_format] 
    [LOCATION hdfs_path]
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9

5、分区建表分为2种，一种是单分区，也就是说在表文件夹目录下只有一级文件夹目录。另外一种是多分区，表文件夹下出现多文件夹嵌套模式。

a、单分区建表语句：create table day_table (id int, content string) partitioned by (dt string);单分区表，按天分区，在表结构中存在id，content，dt三列。
    b、双分区建表语句：create table day_hour_table (id int, content string) partitioned by (dt string, hour string);双分区表，按天和小时分区，在表结构中新增加了dt和hour两列。

6、添加分区表语法（表已创建，在此基础上添加分区）：

ALTER TABLE table_name 
    ADD partition_spec [ LOCATION 'location1' ] 
    partition_spec [ LOCATION 'location2' ] 
    ... 
    partition_spec: : 
    PARTITION (partition_col = partition_col_value, partition_col = partiton_col_value, 
    ...)
     
      
       1
       2
       3
       4
       5
       6
       7

用户可以用 ALTER TABLE ADD PARTITION 来向一个表中增加分区。当分区名是字符串时加引号。例：

ALTER TABLE day_table ADD PARTITION (dt='2008-08-08', hour='08') location '/path/pv1.txt' PARTITION (dt='2008-08-08', hour='09') location '/path/pv2.txt';
     
      
       1
       2

7、删除分区语法：

ALTER TABLE table\_name DROP partition\_spec, partition\_spec,…   
用户可以用 ALTER TABLE DROP PARTITION 来删除分区。分区的元数据和数据将被一并删除。例：

ALTER TABLE day_hour_table DROP PARTITION (dt='2008-08-08', hour='09');
     
      
       1

8、数据加载进分区表中语法：

LOAD DATA \[LOCAL\] INPATH ‘filepath’ \[OVERWRITE\] INTO TABLE tablename \[PARTITION (partcol1=val1, partcol2=val2 …)\]   
例：

LOAD DATA INPATH '/user/pv.txt' INTO TABLE day_hour_table PARTITION(dt='2008-08- 08', hour='08'); LOAD DATA local INPATH '/user/hua/*' INTO TABLE day_hour partition(dt='2010-07- 07');
     
      
       1

当数据被加载至表中时，不会对数据进行任何转换。Load操作只是将数据复制至Hive表对应的位置。数据加载时在表下自动创建一个目录，文件存放在该分区下。

9、基于分区的查询的语句：

SELECT day_table.* FROM day_table WHERE day_table.dt>= '2008-08-08';
     
      
       1

10、查看分区语句：

show partitions day_hour_table; 
    OK 
    dt=2008-08-08/hour=08 
    dt=2008-08-08/hour=09 
    dt=2008-08-09/hour=09
     
      
       1
       2
       3
       4
       5

> 三、总结

1、在 Hive 中，表中的一个 Partition 对应于表下的一个目录，所有的 Partition 的数据都存储在最字集的目录中。

2、总的说来partition就是辅助查询，缩小查询范围，加快数据的检索速度和对数据按照一定的规格和条件进行管理。

hive中关于partition的操作:

create table mp (a string) partitioned by (b string, c string);
    
    alter table mp add partition (b='1', c='1');
    
    alter table mp add partition (b='1', c='2');
    
    alter table mp add partition (b='2', c='2');
    
    show partitions mp ;
    b=1/c=1
    b=1/c=2
    b=2/c=2
    
    explain extended alter table mp drop partition (b='1');
    
    ABSTRACT SYNTAX TREE:
      (TOK_ALTERTABLE_DROPPARTS mp (TOK_PARTSPEC (TOK_PARTVAL b '1')))
    STAGE DEPENDENCIES:
      Stage-0 is a root stage
    STAGE PLANS:
      Stage: Stage-0
          Drop Table Operator: Drop Table table: mp alter table mp drop partition (b='1');
    FAILED: Error in metadata: table is partitioned but partition spec is not specified or tab: {b=1}
    FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask
    
    show partitions mp ;
    b=1/c=1
    b=1/c=2
    b=2/c=2
    
    alter table mp add partition ( b='1', c = '3') partition ( b='1' , c='4');
    
    show partitions mp ;
    b=1/c=1
    b=1/c=2
    b=1/c=3
    b=1/c=4
    b=2/c=2
    b=2/c=3
    
    insert overwrite table mp partition (b='1', c='1') select cnt from tmp_et3 ;
    
    alter table mp add columns (newcol string);
    
    location指定目录结构
    alter table alter2 add partition (insertdate='2008-01-01') location '2008/01/01';
    alter table alter2 add partition (insertdate='2008-01-02') location '2008/01/02';
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16
       17
       18
       19
       20
       21
       22
       23
       24
       25
       26
       27
       28
       29
       30
       31
       32
       33
       34
       35
       36
       37
       38
       39
       40
       41
       42
       43
       44
       45
       46
       47
       48
       49
       50
       51
       52
       53
       54
       55
       56
       57

> 四 修改表添加分区（add partition）和 加载数据时添加分区 的区别

假定有hive中有两个表empl\_inn(管理表)和empl\_ext(外部表),他们都有分区（logdate string   
1.对于外部表 empl\_ext

alter table empl_ext add partition (logdate=‘2015-02-26’) location ‘hdfs://nameservice1/vod_pb/’;   
     
      
       1

执行添加分区时 vod\_pb/ 文件夹下的数据不会被移动。并且没有分区目录logdate=2015-02-26

alter table empl_ext drop partition (logdate=‘2015-02-26’);  
     
      
       1

执行删除分区目录时vod\_pb/ 下的数据不会被删除

load data inpath 'hdfs://nameservice1/vod_pb/' overwrite into table empl_ext partition(logdate='2015-02-26');   
     
      
       1

执行加载数据添加分区时 vod\_pb/ 文件夹下的数据会被移动，并创建分区目录logdate=2015-02-26，数据移动到此目录下

alter table empl_ext drop partition (logdate=‘2015-02-26’);   
     
      
       1

执行删除分区目录时，已经创建logdate=2015-02-26分区目录不会被删除，其文件夹下的数据也不会被删除；、

2.对于内部表 empl\_inn

alter table empl_inn add partition (logdate=‘2015-02-26’) location ‘hdfs://nameservice1/vod_pb/’;      
     
      
       1