一、分桶表
1.1分桶表的概念
分桶表也叫做桶表，源自建表语法中bucket单词。是一种用于==优化查询==而设计的表类型。该功能可以让数据分解为若干个部分易于管理。
在分桶时，我们要指定==根据哪个字段将数据分为几桶（几个部分）==。默认规则是：Bucket number = hash_function(bucketing_column) mod num_buckets。
id
10
11
12
算法：哈希求余，分桶字段（key）求hash值 => 10 11 12
（每个字段都有一个hash值，数字型就是它本身；字符串会hash算法求出一个数字)
(接着hash求余）
(字段完全相同的，一定在同一个筒中)
10 % 3 = 1 => 编号为1号桶
11 % 3 = 2 => 编号为2的桶
12 % 3 = 0 => 编号为0的桶
1亿条数据 => 10个桶 => 1000万条数据
意义：① 优化手段，比分区更加精细的划分，但是数据平均 ② 适合数据抽样
可以发现桶编号相同的数据会被分到同一个桶当中。hash_function取决于分桶字段bucketing_column的类型：
如果是int类型，hash_function(int) == int;
如果是其他类型，比如bigint,string或者复杂数据类型，hash_function比较棘手，将是从该类型派生的某个数字，比如hashcode值。
1.2 分桶表的创建
1.3分桶表的使用好处
和非分桶表相比，分桶表的使用好处有以下几点：
① 优化手段，比分区更加精细的划分，但是数据平均 ② 适合数据抽样
1、==基于分桶字段查询时，减少全表扫描==
--基于分桶字段state查询来自于New York州的数据
--不再需要进行全表扫描过滤
--根据分桶的规则hash_function(New York) mod 5计算出分桶编号
--查询指定分桶里面的数据 就可以找出结果 此时是分桶扫描而不是全表扫描
select * from t_usa_covid19_bucket where state="New York";
2、==分桶表数据进行抽样==
1亿 => 10个桶 => 1g个桶进行抽样
当数据量特别大时，对全体数据进行处理存在困难时，抽样就显得尤其重要了。抽样可以从被抽取的数据中估计和推断出整体的特性，是科学实验、质量检验、社会调查普遍采用的一种经济有效的工作和研究方法。
二、总结
Hive分区表与分桶表区别：
1.语法不同，分区字段必须是虚拟的，分桶字段必须是实际存在的。
2.底层表现形式不同，分区是把数据集分文件夹存储，分桶是把数据集分文件存储。
3.分区表往往是能判断出数据分配在哪个区中
分桶表基于哈希求余，很难估算出数据具体分配在哪个桶中
4.分桶表相对于分区，是更加细粒度的划分
应用场景：
分区为了避免全表扫描，加快查询速度，分区裁剪
分桶虽然也有避免全表扫描，加快查询速度，还可以进行抽样查询
相同点：都是优化手段，都是建表可选操作。
在实际工作中，分区表相对来说使用更加多一些！！！
