对于大型数据处理系统而言，数据分区的功能是非常重要的。因为Hive通常要对数据进行全盘扫描，才能满足查询条件（我们暂时先忽略索引的功能）。
以Hive管理大型网站的浏览日志为例。如果日志数据表不采用分区设计，那么就单日网站流量分析这样的需求而言，Hive就必然要通过遍历全量日志来完成查询。以一年日志为全量，单日查询的数据利用率将不到1%，这样的设计基本上将查询时间浪费在了数据加载中。
分区的优势在于利用维度分割数据。在使用分区维度查询时，Hive只需要加载数据，极大缩短数据加载时间。上述案例中，假使我们以日期为维度设计日志数据表的分区，对于自选日期范围的查询需求，Hive就只需加载日期范围所对应的分区数据。
由于HDFS被设计用于存储大型数据文件而非海量碎片文件，理想的分区方案不应该导致过多的分区文件，并且每个目录下的文件尽量超过HDFS块大小的若干倍。按天级时间粒度进行分区就是一个好的分区策略，随着时间的推移，分区数量增长均匀可控。此外常有的分区策略还有地域，语言种类等等。设计分区的时候，还有一个误区需要避免。关于分区维度的选择，我们应该尽量选取那些有限且少量的数值集作为分区，例如国家、省份就是一个良好的分区，而城市就可能不适合进行分区。
注意：分区是数据表中的一个列名，但是这个列并不占有表的实际存储空间。它作为一个虚拟列而存在。
分桶
分区提供了一种整理数据和优化查询的便利方式。不过，并非所有数据集都可形成合理的分区，特别是在需要合理划分数据、防止倾斜时。分桶是将数据分解管理的另一技术。
假设我们有一张地域姓名表并按城市分区。那么很有可能，北京分区的人数会远远大于其他分区，该分区的数据I/O吞吐效率将成为查询的瓶颈。如果我们对表中的姓名做分桶，将姓名按哈希值分发到桶中，每个桶将分配到大致均匀的人数。
分桶解决的是数据倾斜的问题。因为桶的数量固定，所以没有数据波动。桶对于数据抽样再适合不过，同时也有利于高效的map-side Join。
分桶与分区的关系
分区和分桶都可以单独用于表；
分区可以是多级的；
分区和分桶可以嵌套使用，但是分区必须在分桶前面。
#
