六、Hive 分桶

作者：IvanCodes
日期：2025年5月13日
专栏：Hive教程

在 Hive 中，除了常见的分区（Partitioning），分桶（Bucketing）是另一种重要且有效的数据组织和性能优化手段。它允许我们将表或分区中的数据进一步细分到固定数量的“桶”中，从而在特定查询场景下（尤其是连接操作和数据抽样）带来显著的性能提升。我们这次将深入探讨 Hive 分桶的创建语法、数据加载方式、典型使用场景及其核心优势。

一、创建分桶表：CLUSTERED BY 的魔力

要在 Hive 中创建分桶表，主要依赖 CREATE TABLE 语句中的 CLUSTERED BY 子句，并结合 INTO num_buckets BUCKETS 来指定桶的数量。还可以选择使用 SORTED BY 在每个桶内部对数据进行排序。

语法核心：

CREATE TABLE table_name (
column1_name column1_type,
column2_name column2_type,
...
)
[PARTITIONED BY (partition_column_name partition_column_type, ...)]
CLUSTERED BY (bucketing_column_name1 [, bucketing_column_name2 ...])
[SORTED BY (sorting_column_name1 [ASC|DESC] [, sorting_column_name2 [ASC|DESC] ...])]
INTO N BUCKETS
[ROW FORMAT row_format]
[STORED AS file_format]
[LOCATION hdfs_path];

• CLUSTERED BY (bucketing_column_name1 [, bucketing_column_name2 ...]): 指定一个或多个用于分桶的列。Hive 会根据这些列的组合值的哈希结果来决定数据行应该放入哪个桶。
• INTO N BUCKETS: 指定将数据分散到 N 个桶中。N 通常建议是 HDFS 块大小的整数倍，或者与集群中 Reducer 的数量相关联。
• SORTED BY (...): 可选项，用于在每个桶内部，根据指定的列对数据进行排序。这对于后续的排序合并连接（Sort Merge Bucket Join）尤其有用。

代码案例：创建一个按 user_id 分桶的用户行为日志表
假设我们有一个用户行为日志表，希望按 user_id 将数据分散到 32 个桶中，并且在每个桶内按 event_timestamp 降序排序。

CREATE TABLE user_activity_bucketed (
user_id BIGINT,
event_type STRING,
event_timestamp TIMESTAMP,
page_url STRING
)
COMMENT 'User activity log table, bucketed by user_id'
CLUSTERED BY (user_id)
SORTED BY (event_timestamp DESC)
INTO 32 BUCKETS
ROW FORMAT DELIMITED
FIELDS TERMINATED BY ','
STORED AS ORC;

在这个例子中，user_id 是分桶键，数据将被哈希到 32 个桶中。每个桶内的数据会根据 event_timestamp 从新到旧排序。使用 ORC 文件格式通常能带来更好的压缩和查询性能。

二、加载数据到分桶表：激活分桶机制

仅仅创建了分桶表结构还不够，关键在于如何在加载数据时真正触发分桶逻辑，使数据按照定义的方式写入到各个桶文件中。

核心要点：
当从一个非分桶表向一个分桶表插入数据时，Hive 通常需要执行 MapReduce 或 Tez 作业来计算哈希值并将数据分发到正确的桶。在较早的 Hive 版本中，可能需要设置 hive.enforce.bucketing = true;。然而，在现代 Hive 版本中（尤其是 Hive 2.0 及以后），当目标表定义了分桶，Hive 在执行 INSERT OVERWRITE TABLE ... SELECT ... 或 CREATE TABLE ... AS SELECT ... 时，通常会自动进行分桶写入。

代码案例：从一个临时表加载数据到分桶表
假设我们有一个未分桶的临时表 temp_user_activity 存储了原始日志数据。

-- 假设 temp_user_activity 表已存在且包含数据
-- user_id BIGINT, event_type STRING, event_timestamp TIMESTAMP, page_url STRING-- 设置（在某些旧版本Hive中可能需要，现代版本通常自动处理）
-- SET hive.enforce.bucketing = true; -- 将数据从临时表插入到分桶表
INSERT OVERWRITE TABLE user_activity_bucketed
SELECT
user_id,
event_type,
event_timestamp,
page_url
FROM
temp_user_activity;

执行上述 INSERT OVERWRITE 语句时，Hive 会读取 temp_user_activity 表的数据，对每一行的 user_id 计算哈希值，然后根据哈希结果将数据写入 user_activity_bucketed 表对应的桶文件中。如果定义了 SORTED BY，在写入桶之前还会进行排序。

三、分桶的好处与使用场景：为何选择分桶？

分桶的主要优势在于提升特定类型查询的性能和优化数据管理。

核心好处：

1. 高效的连接操作 (Join Optimization)：
   • 场景：当两个大表需要根据分桶键进行连接时。
   • 优势：如果两个表都使用相同的列进行分桶，并且桶的数量相同（或者是倍数关系），Hive 可以采用更高效的连接策略，如桶映射连接 (Bucket Map Join) 或排序合并桶连接 (Sort Merge Bucket Join, SMBJ)。这些策略可以显著减少或避免大规模的数据混洗 (Shuffle)，因为具有相同连接键值的数据已经被预先组织到对应的桶中。
   • 代码案例：分桶连接
     假设我们还有另一个分桶表 user_profiles_bucketed，同样按 user_id 分桶到 32 个桶。

-- 创建另一个分桶表 (简化示例)
CREATE TABLE user_profiles_bucketed (
user_id BIGINT,
user_name STRING,
registration_date DATE
)
CLUSTERED BY (user_id) INTO 32 BUCKETS
STORED AS ORC;-- 假设 user_profiles_bucketed 也已加载数据-- 执行分桶连接查询
-- Hive 优化器会自动尝试使用 SMBJ 或 Bucket Map Join
SELECT
ua.user_id,
ua.event_type,
up.user_name
FROM
user_activity_bucketed ua
JOIN
user_profiles_bucketed up ON ua.user_id = up.user_id
WHERE
ua.event_type = 'purchase';

2. 高效的数据抽样 (Efficient Sampling)：
   • 场景：需要从大表中快速获取一部分具有代表性的数据进行探索性分析或测试。
   • 优势：分桶使得基于桶的抽样非常高效。可以直接读取指定桶的全部或部分数据，而无需扫描整个表。
   • 代码案例：基于桶的数据抽样
     从 user_activity_bucketed 表中抽取第 3 个桶（总共 32 个桶）的数据。

SELECT
*
FROM
user_activity_bucketed TABLESAMPLE(BUCKET 3 OUT OF 32 ON user_id);

这里的 ON user_id 指明了抽样是基于 user_id 这个分桶列进行的。

3. 数据组织更规整：
   • 优势：分桶有助于将数据相对均匀地分散到固定数量的文件中，避免在某些分区下出现单个文件过大或过多小文件（相对于没有分桶的情况）的问题，这对于文件系统管理和MapReduce/Tez任务的并行度可能更有利。

结语：善用分桶，为 Hive 查询加速

Hive 的分桶机制是一项强大的数据组织工具。虽然它增加了一些表定义的复杂性和数据加载的考量，但在合适的场景下（特别是涉及大表连接和数据抽样时），其带来的性能收益是非常可观的。理解其工作原理、掌握其创建和使用方法，对于每一位使用 Hive 进行数据分析和处理的工程师来说，都是一项宝贵的技能。选择合适的分桶列和桶的数量，是发挥分桶威力的关键。

---

练习题

一、选择题

1. 在 Hive 中，声明一个表按 product_id 列分桶到 16 个桶，正确的子句是：
   A. BUCKETED BY (product_id) INTO 16 FILES
   B. CLUSTERED ON (product_id) INTO 16 BUCKETS
   C. CLUSTERED BY (product_id) INTO 16 BUCKETS
   D. PARTITIONED BY (product_id) BUCKETS 16

2. 分桶表最主要的性能优化体现在哪类操作上？
   A. 对表进行 COUNT(*) 操作
   B. 对分桶键进行 GROUP BY 聚合
   C. 两个大表基于分桶键的等值连接
   D. 对非分桶键进行范围查询

3. 当使用 TABLESAMPLE(BUCKET x OUT OF y ON col)进行抽样时，y 参数通常代表：
   A. 抽样的百分比
   B. 表的总桶数
   C. 表中 col 列的不同值的数量
   D. 抽样后得到的记录数

二、代码题

1. 场景：你有一个电商订单表 orders_raw，包含以下列：order_id STRING, customer_id STRING, order_date DATE, total_amount DECIMAL(12,2)。你希望创建一个新的分桶表 orders_bucketed 以优化按 customer_id 的查询和连接。
   要求：

   • orders_bucketed 表应包含与 orders_raw 相同的列。
   • 按 customer_id 列分桶，分为 32 个桶。
   • 桶内数据按 order_date 升序排序。
   • 存储格式为 Parquet。
     请编写创建 orders_bucketed 表的 HQL 语句。

2. 场景：接上题，orders_raw 表中已经包含了大量订单数据。
   要求：请编写 HQL 语句，将 orders_raw 表中的所有数据加载到新创建的 orders_bucketed 表中，确保数据按照分桶定义进行组织。

---

练习题答案

一、选择题答案

1. C. CLUSTERED BY (product_id) INTO 16 BUCKETS
2. C. 两个大表基于分桶键的等值连接
3. B. 表的总桶数

二、代码题答案

1. 创建 orders_bucketed 表的 HQL 语句：

CREATE TABLE orders_bucketed (
order_id STRING,
customer_id STRING,
order_date DATE,
total_amount DECIMAL(12,2)
)
COMMENT 'Customer orders table, bucketed by customer_id'
CLUSTERED BY (customer_id)
SORTED BY (order_date ASC)
INTO 32 BUCKETS
STORED AS PARQUET;

2. 加载数据到 orders_bucketed 表的 HQL 语句：

-- 确保 Hive 配置允许或自动处理分桶写入
-- （现代 Hive 版本通常不需要额外设置，但旧版本可能需要 SET hive.enforce.bucketing = true;)INSERT OVERWRITE TABLE orders_bucketed
SELECT
order_id,
customer_id,
order_date,
total_amount
FROM
orders_raw;