学习大数据DAY42 hive 分桶表

分桶表

分桶表注意事项

hive%20%E5%88%86%E6%A1%B6%E8%A1%A8-%E5%88%9B%E5%BB%BA%E5%88%86%E6%A1%B6%E8%A1%A8-toc" style="margin-left:80px;">hive 分桶表-创建分桶表

hive%20%E6%8E%92%E5%BA%8F%E5%85%B3%E9%94%AE%E5%AD%97-toc" style="margin-left:80px;">hive 排序关键字

hive%20%E6%8E%92%E5%BA%8F%E8%AF%AD%E5%8F%A5-toc" style="margin-left:80px;">hive 排序语句

上机练习

分桶表

分区提供一个隔离数据和优化查询的便利方式。不过，并非所有的数据集都可形

成合理的分区。对于一张表或者分区，Hive 可以进一步组织成桶，也就是更为

细粒度的数据范围划分。

分桶是将数据集分解成更容易管理的若干部分的另一个技术。

分区针对的是数据的存储路径；分桶针对的是数据文件。

分桶表注意事项

分桶策略

Hive 的分桶采用对分桶字段的值进行哈希，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当中.

reduce 的个数设置为-1,让 Job 自行决定需要用多少个 reduce 或者将 reduce 的

个数设置为大于等于分桶表的桶数

从 hdfs 中 load 数据到分桶表中，避免本地文件找不到问题

不要使用本地模式

hive%20%E5%88%86%E6%A1%B6%E8%A1%A8-%E5%88%9B%E5%BB%BA%E5%88%86%E6%A1%B6%E8%A1%A8">hive 分桶表-创建分桶表

--创建 4 个分桶的分桶表

create table stu_bucket(id int, name string)

clustered by(id)

into 4 buckets

row format delimited fields terminated by '\t';

--设置 mapreduce 数量(二选一)

set mapreduce.job.reduces=3

set mapred.reduce.tasks=3

--向分桶表导入数据

load data inpath

'/student.txt' into table stu_bucket;

hive%20%E6%8E%92%E5%BA%8F%E5%85%B3%E9%94%AE%E5%AD%97">hive 排序关键字

hive%20%E6%8E%92%E5%BA%8F%E8%AF%AD%E5%8F%A5">hive 排序语句

--使用 order by 排序

select * from student2 order by id

--使用 sort by 排序

select * from student2 sort by class_name desc

--使用 distribute by 分组

set mapreduce.job.reduces=15;

select * from student2 distribute by class_name sort by id desc

insert overwrite

local directory '/root/student2/'

row format delimited fields terminated by '\t'

select * from student2_b

distribute by sex

sort by chinese desc

--使用 cluster by 分组并排序

select * from student2 cluster by class_name

上机练习

然而作业和分桶表并没有关系~

1 清洗函数

2 pyhive 连接函数

3 文件判断

import os,datetime
fpath='/root/'
fname1='2021-12-31.log'
fname2='2021-05-20.log'
fname3='2021-07-02.log'
fname4='2021-07-03.log'
fname5='2021-07-04.log'list_fname=[fname1,fname2,fname3,fname4,fname5]
etl_fname1=f'{fpath}etl_{fname1.strip(".log")}.txt'
etl_fname2=f'{fpath}etl_{fname2.strip(".log")}.txt'
etl_fname3=f'{fpath}etl_{fname3.strip(".log")}.txt'
etl_fname4=f'{fpath}etl_{fname4.strip(".log")}.txt'
etl_fname5=f'{fpath}etl_{fname5.strip(".log")}.txt'
list_etl_fname=[etl_fname1,etl_fname2,etl_fname3,etl_fname4,et
l_fname5]
def etl_data(fpath,fname,etl_fname):
with open(fpath+fname,'r',encoding='utf-8') as f:
with open(etl_fname,'a',encoding='utf-8') as f1:
str1=f.readlines()
for l in str1:
lit=l.split(' ')
# 提取 IP
ip=lit[0]
# 提取时间
date=datetime.datetime.strptime(lit[3],'[%d/%b/
%Y:%H:%M:%S')
date=datetime.datetime.strftime(date,'%Y-%m-%d %
H:%M:%S')
# 提取 URL
url=lit[6]
# 提取系统类型
lit1=l.split('"')
header=lit1[-2]
if header.find('Linux')>=0:
systype='Linux'
elif header.find('Mac OS')>=0:
systype='Mac OS'
elif header.find('Windows')>=0:
systype='Windows'
else:
systype='unknown'
# 提取浏览器类型
if header.find('Chrome')>=0:
browser='Chrome'
elif header.find('Firefox')>=0:
browser='Firefox'
elif header.find('Safari')>=0:
browser='Safari'
elif header.find('Presto')>=0:
browser='Presto'else:
browser='unknown'
# 写入文件
result=f'{ip}\t{date}\t{url}\t{systype}\t{brows
er}\n'
f1.write(result)
f1.close()
f.close()
if __name__=='__main__':
for i in range(5):
etl_data(fpath,list_fname[i],list_etl_fname[i])
load_sql=f"load data local inpath '{list_etl_fname[i]}'
into table log partition
(load_date='{list_fname[i].strip('.log')}')"
hive_command=f'beeline -u
"jdbc:hive2://hadoop100:10000/db_hive" -n root -p 123456 -e
"{load_sql}"'
os.system(hive_command)

4 show partitions log