Hive 之表的种类以及相关操作

1.概述

在Hive 的世界里有一下几种表

类型	说明
Table	内部表
Partition	分区表
External Table	外部表
Bucket Table	桶表

2.Table（内部表）

• 与数据库中的 Table 在概念上是类似
• 每一个 Table 在 Hive 中都有一个相应的目录存储数据。
  
  • 例如，一个表test，它在HDFS中的路径为：/hive/warehouse/test.
  • warehouse是在 hive-site.xml 中由 ${hive.metastore.warehouse.dir} 指定的数据仓库的目录
  • 所有的 Table 数据（不包括 External Table）都保存在这个目录中。
• 删除表时，元数据与数据都会被删除
• 创建一个内部表的相关操作：
  
  • 创建数据文件inner_table.dat，内容如下：
    1
    2
    3
  • 创建表
    hive>create table inner_table (key string);
  • 加载数据
    hive>load data local inpath ‘/root/inner_table.dat’ into table inner_table;
  • 查看数据
    select * from inner_table
    select count(*) from inner_table
  • 删除表 drop table inner_table

3.Partition（分区表）

• Partition 对应于数据库的 Partition 列的密集索引

• 在 Hive 中，表中的一个 Partition 对应于表下的一个目录，所有的 Partition 的数据都存储在对应的目录中

  • 例如：test表中包含 date 和 city 两个 Partition
    则对应于date=20130201, city = bj 的 HDFS 子目录为：
    /warehouse/test/date=20130201/city=bj
    对应于date=20130202, city=sh 的HDFS 子目录为；
    /warehouse/test/date=20130202/city=sh

• 创建一个分区表的相关操作

  • 创建表
    create table partition_table(rectime string,msisdn string) partitioned by(daytime string,city string) row format delimited fields terminated by ‘\t’ stored as TEXTFILE;
  • 加载数据到分区
    load data local inpath ‘/home/partition_table.dat’ into table partition_table partition (daytime=’2013-02-01’,city=’bj’);
  • 查看数据
    select * from partition_table
    select count(*) from partition_table
  • 删除表
    drop table partition_table
  • 添加一个分区
    通过load data 加载数据
    alter table partition_table add partition (daytime=’2013-02-04’,city=’bj’);
  • 删除一个分区
    元数据，数据文件删除，但目录daytime=2013-02-04还在
    alter table partition_table drop partition (daytime=’2013-02-04’,city=’bj’);

• 另外一个例子，再一次说明创建表的过程

CREATE TABLE tmp_table #表名
(
title           string, #字段名称 字段类型
minimum_bid     double,
quantity        bigint,
have_invoice    bigint
)COMMENT '注释：XXX'           #表注释
 PARTITIONED BY(pt STRING)  #分区表字段
 ROW FORMAT DELIMITED 
 FIELDS TERMINATED BY '\t'   # 字段是用什么分割开的
 STORED AS SEQUENCEFILE;     #用哪种方式存储数据，SEQUENCEFILE是hadoop自带的文件压缩格式

PS:
#分区表字段—–如果你文件非常之大的话，采用分区表可以快过滤出按分区字段划分的数据
基于Partition的查询
一般 SELECT 查询是全表扫描。但如果是分区表，查询就可以利用分区剪枝（input pruning）的特性，类似“分区索引“”，只扫描一个表中它关心的那一部分。Hive 当前的实现是，只有分区断言（Partitioned by）出现在离 FROM 子句最近的那个WHERE 子句中，才会启用分区剪枝。例如，如果 page_views 表（按天分区）使用 date 列分区，以下语句只会读取分区为‘2008-03-01’的数据。

SELECT page_views.*    FROM page_views    WHERE page_views.date >= '2013-03-01' AND page_views.date <= '2013-03-01'

4.External Table（外部表）

• 指向已经在 HDFS 中存在的数据，可以创建 Partition
• 它和 内部表 在元数据的组织上是相同的，而实际数据的存储则有较大的差异
  
  • 内部表 创建过程和数据加载过程（这两个过程可以在同一个语句中完成），在加载数据的过程中，实际数据会被移动到数据仓库目录中；之后对数据对访问将会直接在数据仓库目录中完成。删除表时，表中的数据和元数据将会被同时删除
  • 外部表 只有一个过程，加载数据和创建表同时完成，并不会移动到数据仓库目录中，只是与外部数据建立一个链接。当删除一个 外部表 时，仅删除该链接
• 创建一个外部表的相关操作
  
  • 创建数据文件external_table.dat内容如下
  • 创建表
    hive>create external table external_table1 (key string) ROW FORMAT DELIMITED FIELDS TERMINATED BY ‘\t’ location ‘/home/external’;
  • 在HDFS创建目录/home/external
    #hadoop fs -put /home/external_table.dat /home/external
  • 加载数据
    LOAD DATA INPATH ‘/home/external_table1.dat’ INTO TABLE external_table1;
  • 查看数据
    select * from external_table
    select count(*) from external_table
  • 删除表
    drop table external_table

5.Bucket Table（桶表）

• 桶表是对数据进行哈希取值，然后放到不同文件中存储
• 创建一个桶表
  
  • 创建表
    create table bucket_table(id string) clustered by(id) into 4 buckets;
  • 加载数据
    set hive.enforce.bucketing = true;
    insert into table bucket_table select name from stu;
    insert overwrite table bucket_table select name from stu;

PS：数据加载到桶表时，会对字段取hash值，然后与桶的数量取模。把数据放到对应的文件中。

6.视图

• 视图的创建
  CREATE VIEW v1 AS select * from t1;

7.总结

有关表的其他操作：

• 表的修改
  alter table target_tab add columns (cols,string)
• 表的删除
  drop table
• 一些相关命令
  SHOW TABLES; # 查看所有的表
  SHOW TABLES ‘*TMP*’; #支持模糊查询
  SHOW PARTITIONS TMP_TABLE; #查看表有哪些分区
  DESCRIBE TMP_TABLE; #查看表结构
• LIMIT Clause
  Limit 可以限制查询的记录数。查询的结果是随机选择的。下面的查询语句从 t1 表中随机查询5条记录：

SELECT * FROM t1 LIMIT 5

• Top N查询
  下面的查询语句查询销售记录最大的 5 个销售代表。

SET mapred.reduce.tasks = 1
SELECT * FROM sales SORT BY amount DESC LIMIT 5

• 表连接
  
  • 内连接
  • 左外连接

select b.name,a.* from dim_ac a join acinfo b on (a.ac=b.acip) limit 10;

select b.name,a.* from dim_ac a left outer join acinfo b on a.ac=b.acip limit 10;

• JAVA客户端相关代码

Class.forName("org.apache.hadoop.hive.jdbc.HiveDriver");
Connection con = DriverManager.getConnection("jdbc:hive://192.168.1.102:10000/wlan_dw", "", "");
Statement stmt = con.createStatement();
String querySQL="SELECT * FROM wlan_dw.dim_m order by flux desc limit 10";

ResultSet res = stmt.executeQuery(querySQL);  

while (res.next()) {
System.out.println(res.getString(1) +"\t" +res.getLong(2)+"\t" +res.getLong(3)+"\t" +res.getLong(4)+"\t" +res.getLong(5));
}

• 当利用Mysql存储Hive的元数据时，创建的一些表的信息存放在hive数据库的TBLS表中，内容如图：

PS：
其中，TBL_NAME 是创建表时指定的表名，TBL_TYPE 是创建表的类型，内部表是MANAGED_TABLE，外部表是EXTERNAL_TABLE。