继续问题：What is the difference between partitioning and bucketing a table in Hive ?蜂巢桶vs分区
假设我们已通过Salary列对员工表进行分区。如果我们使用基于salary列的where子句中的条件从此表编写select查询，那么查询将运行得很快......因为它只会从特定分区获取细节。
但是，如果我们根据薪水栏和固定桶数设置相同的表格，而不是分区。那么在这种情况下，如果我们编写相同的查询，我想知道该查询如何从桶中受益？任何人都可以解释吗？
bucketing的一个用例是快速采样数据。
试想一个表
CREATE TABLE employee(employeeId String, salary Double)
CLUSTERED BY(user_id) INTO 10 BUCKETS;
我们不是工资，而是由雇员分时段的，使得每个员工放在有点随机分为桶。我们可以说，统计上可能的是，薪资在各个桶中均匀分配。
如果我们想要找出平均工资，我们可以在桶的一个子集上运行这个查询，这比在整个数据集上运行查询要快，但给出了一个很好的近似值。
Select Average(salary) FROM employee TABLESAMPLE(BUCKET 1 OUT OF 10 ON employeeId);
正如mattinbits所说，如果您在员工ID而不是薪水上分流，分段将会更有用。
和水桶的数量可以保持在2像2,4,8,16,32电源...
要决定多少桶，你应该考虑在 数据量一个桶=（数据的总大小/桶的数量）<（应小于）内存大小。
并且当您在同一列上使用具有存储桶的其他表的联接时，使用与此表的存储桶数相同或多个存储桶的数量的存储桶，则联接会发生在存储器中，或者可以说地图边加入，这是更快..
你应该选择分区时，你会使用很多where子句，在同一列（分区列），一个很好的候选分区列可以是：状态，城市，国家，年份，月份，部门，