前言
用了这么久的Hive,而没有认真的学习和使用过Hive的分区,现在学习记录一下。
分区表一般在数据量比较大,且有明确的分区字段时使用,这样用分区字段作为查询条件查询效率会比较高。
Hive分区分为静态分区和动态分区
1、建表语句
先用一个有分区字段的分区表进行学习,静态分区和动态分区的建表语句是一样的。
create table test_partition ( id string comment 'ID', name string comment '名字' ) comment '测试分区' partitioned by (year int comment '年') ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' ;
2、插入语句
静态分区和动态分区的插入数据的语句是不一样的,所以分开
2.1 静态分区
静态分区是在语句中指定分区字段为某个固定值,多次重复插入数据是为了看看数据如何在hdfs上存储的。
2.1.1 insert into
insert into table test_partition partition(year=2018) values ('001','张三'); insert into table test_partition partition(year=2018) values ('001','张三'); insert into table test_partition partition(year=2018) values ('002','李四');
data.txt
002,李四 003,王五
load data local inpath '/root/dkl/data/data.txt' into table test_partition partition (year =2018); load data local inpath '/root/dkl/data/data.txt' into table test_partition partition (year =2018); load data local inpath '/root/dkl/data/data.txt' into table test_partition partition (year =2017);
2.1.3 查询及结果
2.1.4 hdfs存储形式
![](https://upload-images.jianshu.io/upload_images/12267859-340eb7d85f0dda0f.gif?imageMogr2/auto-orient/strip%7CimageView2/2/w/1042/format/webp)
分区2018的路径为
/apps/hive/warehouse/dkl.db/test_partition/year=2018
- /apps/hive/warehouse 为hive的仓库路径
- dkl.db dkl为数据库名称
- test_partition为表名
- year为分区字段名
2.2 动态分区
2.2.1 insert into
set hive.optimize.sort.dynamic.partition=true; set hive.exec.dynamic.partition.mode=nonstrict; insert into table test_partition partition(year) values ('001','张三',2016);
2.2.2 load data
不能使用load data进行动态分区插入
data.txt
002,李四,2015 003,王五,2014 load data local inpath '/root/dkl/data/data.txt' into table test_partition partition (year); 报错:hive> load data local inpath '/root/dkl/data/data.txt' into table test_partition partition (year); FAILED: NullPointerException null
可以使用另一种方法解决
首先创建没有分区的表
create table test ( id string comment 'ID', name string comment '名字', year int comment '年' ) comment '测试' ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' ;
先将数据load进test表
load data local inpath '/root/dkl/data/data.txt' into table test;
然后从表test,动态分区插入test_partition中
insert into table test_partition partition(year) select * from test;
如果后面select具体字段的话,需要保证顺序一致,把分区字段放在最后。
insert into table test_partition partition(year) select id,name,year from test;
3、查看分区信息
show partitions test_partition;
hive> show partitions test_partition; OK year=2017 year=2018 Time taken: 0.719 seconds, Fetched: 2 row(s)
4、添加分区字段
查了一下,不能添加新的分区字段
4.1 添加新分区
alter table test_partition add partition (year=2012);
这样就会新建对应的hdfs路径下一个year=2012的文件夹
当然也可以指定localtion,这样就不会在默认的路径下建立文件夹了
alter table test_partition add partition (year=2010) location '/tmp/dkl';
这样如果/tmp/dkl文件夹不存在的话就会新建文件夹,如果存在就会把该文件夹下的所有的文件加载到Hive表,有一点需要注意,如果删除该分区的话,对应的文件夹也会删掉,删除语法请参考后面的第6部分。
4.2 添加非分区字段
alter table test_partition add columns(age int);
这样新加的字段是在非分区字段的最后,在分区字段之前
不过这里有一个bug,就是往表里新插入数据后,新增的age字段查询全部显示为NULL(其实数据已经存在):
- 新增加的分区是不存在这个bug的,比如之前没有year=2011这个分区,那么新增的话不会存在bug
- 分区在添加age字段之前已存在(即使该分区下没有任何数据),bug存在
解决方法:
对已存在的分区执行下面的sql即可,以分区2018为例
alter table test_partition partition(year=2018) add columns(age int);
5、多个分区字段
以两个分区字段为例
5.1 建表
create table test_partition2 ( id string comment 'ID', name string comment '名字' ) comment '测试两个分区' partitioned by (year int comment '年',month int comment '月') ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' ;
5.2 HDFS存储格式
看一下多个分区的的表如何在HDFS上存储的,用静态分区的形式插入一条记录:
insert into table test_partition2 partition(year=2018,month=12) values ('001','张三');
/apps/hive/warehouse/dkl.db/test_partition2/year=2018/month=12
![](https://upload-images.jianshu.io/upload_images/12267859-4853f9bf67e8b9e6.gif?imageMogr2/auto-orient/strip%7CimageView2/2/w/1042/format/webp)
6、删除分区
只能删除某个分区,如删除分区2018,而不能删除整个分区year字段。
6.1 单分区表
alter table test_partition drop partition(year=2018);
6.2 多分区表
6.2.1 删除year=2018,month=12
alter table test_partition2 drop partition(year=2018,month=12);
6.2.2 删除year=2018
year=2018所有的月份都会删除
alter table test_partition2 drop partition(year=2018);
6.2.3 删除month=10
所有月份等于10的分区都会删除,无论year=2018,还是year=2017...
alter table test_partition2 drop partition(month=10);