hive数据单位包含哪些内容

根据颗粒度的顺序，Hive数据被组织成：

• 数据库：命名空间功能，为了避免表，视图，分区，列等等的命名冲突。数据库也可以用于加强用户或用户组的安全。
  

• 表：相同数据库的同类数据单元。例如表`page_views`，表的每行包含以下列：
  
  
  • timestamp －这是一个`INT`类型，是当页面被访问时的UNIX时间戳。
  • userid －这是一个`BIGINT`类型，用于惟一识别访问页面的用户。
  • page_url －这是一个`STRING`类型，用于存储页面地址。
  • referer_url －这是一个`STRING`类型，用于存储用户是从哪个页面跳转到本页面的地址。
  • IP －这是一个`STRING`类型，用于存储页面请求的IP地址。
    
    
  
  

• 分区：每个表可以有一个或多个用于决定数据如何存储的分区键。分区（除存储单元之外）也允许用户有效地识别满足指定条件的行；例如，`STRING`类型的`date_partition`和`STRING`的`country_partition`。这些分区键的每个惟一的值定义了表的一个分区。例如，所有的“2009－12－23”日期的“US”数据是表`page_views`的一个分区。（注意区分，分区键与分区，如果分区键有两个，每个分区键有三个不同的值，则共有6个分区）。因此，如果你只在日期为“2009－12－23”的“US”数据上执行分析，你将只会在表的相关数据上执行查询，这将有效地加速分析。然而要注意，那仅仅是因为有个分区叫2009-12-23，并不意味着它包含了所有数据，或者说，这些数据仅仅是那个日期的数据。用户需要保证分区名字与数据内容之间的关系。分区列是虚拟列，它们不是数据本身的一部分，而是源于数据加载。
  

• 桶（Buckets or Clusters）：每个分区的数据，基于表的一些列的哈希函数值，又被分割成桶。例如，表`page_views`可能通过`userid`分成桶，`userid`是表`page_view`的一个列，不同于分区列。这些桶可以被用于有效地抽样数据。