gpt4 book ai didi

hadoop - 如何在配置单元表中选择用于分区和分桶的列?

转载 作者:可可西里 更新时间:2023-11-01 16:35:18 24 4
gpt4 key购买 nike

以下模式的分区和分桶的理想列是什么?是否有必要同时实现两者,还是一个就可以实现?

user_id INTEGER UNSIGNED,
product_id VARCHAR(20),
gender ENUM('M','F') default NULL,
age VARCHAR(6),
occupation TINYINT UNSIGNED default NULL,
city_category ENUM('A','B','C','D','E') default NULL,
stay_in_current_city_years VARCHAR(6),
martial_status TINYINT UNSIGNED default 0,
product_category_1 TINYINT UNSIGNED default 0,
product_category_2 TINYINT UNSIGNED default 0,
product_category_3 TINYINT UNSIGNED default 0,
purchase_amount INTEGER UNSIGNED default 0

主要目的是利用Hive根据上述属性做一些分析。

最佳答案

在 hive 中,您根据使用模式创建一个表,因此您应该根据您的分析查询的外观来选择分区和分桶。

但是,以下几点是可取的

分区

  • 分区可帮助您加快使用谓词(即 Where 条件)的查询。所以在你的情况下,如果 city_category 是你将在你的 where 条件中大部分时间使用的字段,你应该选择该字段进行分区。
  • 它可能会降低其他查询的性能。
  • 需要确保基数不要太高,否则查询性能会下降。

要理解以上几点,您需要了解分区的工作原理。当您创建一个分区(或子分区)时,Hive 会创建一个具有该名称的子文件夹并将数据(文件)存储到这些文件夹中。

因此,如果您根据 city_category 进行分区,您的文件将如下所示。

/data/table_name/city_category=A
/data/table_name/city_category=B
...
/data/table_name/city_category=E

如果您在 Where 条件 中提供 city_category,这有助于 hive 查找特定记录,因为它只需扫描一个文件夹。

但是,如果您尝试根据 user_idproduct_id 查找记录,则 hive 需要扫描所有文件夹。

假设您最终根据 purchase_amount 进行分区,那么您将拥有很多文件夹。 NameNode 必须维护每个文件夹和文件的位置,因此它会在您的 NameNode 上产生大量负载并明显降低查询性能。

分桶

  • 如果您要连接的另一个表具有类似的分桶,它可以帮助您加快连接查询。
  • 不过,最好确保数据在分桶中均匀分布。

什么是分桶,它在给定字段上应用散列,并基于此将给定记录存储在分桶中。

假设您基于 city_category 进行存储桶并创建 50 个存储桶。

CLUSTERED BY (city_category) INTO 50 BUCKETS

因为我们只有 5 个类别,其他 45 个桶将是空的,这是您不希望的,因为它会降低查询的性能。

关于hadoop - 如何在配置单元表中选择用于分区和分桶的列?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/55136183/

24 4 0
Copyright 2021 - 2024 cfsdn All Rights Reserved 蜀ICP备2022000587号
广告合作:1813099741@qq.com 6ren.com