我是hive的新手，读过关于Bucketing和MapSide加入的文章
"映射联接可以利用分块表(Buckets)，因为处理左表的bucket的映射器只需要加载右表的相应bucket即可执行联接。联接的语法与内存中的语法相同……">
假设我创建一个表作为
CREATE TABLE bucketed_users(id INT，name STRING)由(id)聚类为4个桶；
我的问题是
1> 是否所有4个桶都有相同的尺寸？还是取决于数据中id的频率？即如果一个id重复很多次，则重新标记的bucket将比其他bucket具有更大的大小。
2> 是否会出现与id相关的数据将出现在两个不同的桶中的情况？即id的一个记录存在于桶1中，另一个记录在桶4中。
如果是，优化器将如何处理带条带的数据？
如果有人尝试过，如果他们能分享自己的经验，那就太好了。
这个问题是不久前提出的，但由于它仍然是最热门的问题之一，也许这会帮助其他人。
在大多数情况下，只需创建一个表就可以在集群中创建一个平面文件。在配置单元中运行的任何查询都将转换为Map and Reduce作业。根据定义，您需要键和值才能进入reduce阶段，并且每个映射器必须搜索单个平面文件的一块，以发现给定的键和值。
当使用带区块的表时，Hive会生成一个按值聚集的散列(这里使用id)，并将单个表拆分为许多平面文件因为表是通过id的散列进行拆分的，所以每次拆分的大小都基于表中的值如果没有映射到第三个bucket的值，则该平面文件将为空除非您忘记在insert语句之前设置hive.enforce.bucketing=true，否则您永远不会在多个bucket中显示任何给定的id
Bucketing在采样数据和加速使用clusterby列作为搜索条件的select语句方面非常有效。当您在集群列上的两个表上进行联接时，当它们具有相同(或多个)的bucket时，也会注意到一些改进。
希望这能消除一些困惑。