1、索引
- Hive索引目的是提高Hive表指定列的查询速度
- Hive支持索引,但是Hive的索引与关系型数据库中的索引并不同,如 Hive不支持主键或者外键
- 没有索引时Hive会加载整张表或分区,然后处理所有的rows,有索引时只会加载和处理文件的一部分
增加索引在提升查询速度时,也会消耗额外资源去创建索引表和需要更多的磁盘空间存储索引
2、分区
- 为了进行合理的管理以及查询效率,Hive可以将表组织成“分区”
- 分区是表的部分列的集合,可以为频繁使用的数据建立分区,这样查找分区中的数据时就不需要扫描全表,对提高查找效率很有利
- 分区是一种根据partition column的值对表进行粗略划分的机制
- Hive中每个分区对应着表很多的子目录,将所有的数据按照分区列放入到不同的子目录中去
- Hive分区使用HDFS的子目录功能实现,每一个子目录包含了分区对应的列名和每一列的值。但是由于HDFS并不支持大量的子目录,这也给分区的使用带来了限制。有必要对表中的分区数量进行预估,从而避免因为分区数量过大带来一系列问题
- Hive查询通常使用分区的列作为查询条件,可以指定MapReduce任务在HDFS中指定的子目录下完成扫描的工作
- HDFS的文件目录结构可以像索引一样高效利用。
3、分桶
在分区数量过于庞大以至于可能导致文件系统崩溃时,就需要使用分桶来解决问题了。
桶是通过对指定列进行哈希计算来实现的,通过哈希值将一个列名下的数据切分为一组桶,并使每个桶对应于该列名下的一个存储文件。
分区中的数据可以被进一步拆分成桶,使用列的hash值对数据打散,并分发到各个不同的桶中从而完成数据的分桶过程。
注意,hive使用对分桶所用的值进行hash,并用hash结果除以桶的个数做取余运算的方式来分桶,保证了每个桶中都有数据,但每个桶中的数据条数不一定相等。
哈希函数的选择依赖于桶操作所针对的列的数据类型。除了数据采样,桶操作也可以用来实现高效的Map端连接操作。
4、总结
- 在数据量足够大的情况下,分桶比分区,有更高的查询效率。
- 索引和分区最大的区别就是索引不分割数据库,分区分割数据库。
- 索引其实就是拿额外的存储空间换查询时间,但分区已经将整个大数据库按照分区列拆分成多个小数据库了。
- 分区和分桶最大的区别就是分桶随机分割数据库,分区是非随机分割数据库。
- 分桶是按照列的哈希函数进行分割的,相对比较平均;
- 分区是按照列的值来进行分割的,容易造成数据倾斜。
- 分桶是对应不同的hdfs文件(细粒度),分区是对应不同的hdfs文件夹(粗粒度)
注意:普通表、分区表这三个都是对应HDFS上的目录,桶表对应是目录里的文件