Hive支持关系型数据库的绝大多数基本数据类型,同时也支持4种集合数据类型。
3.1 基本数据类型及转换
Hive类似和java语言中一样,会支持多种不同长度的整型和浮点类型数据,同时也支持布尔类型、字符串类型,时间戳数据类型以及二进制数组数据类型等。详细信息见下表:
大类 | 类型 |
---|---|
ntegers(整型) | TINYINT – 1字节的有符号整数 SAMLINT – 2字节的有符号整数 INT – 4字节的有符号整数 BIGINT – 8字节的有符号整数 |
Floating point numbers(浮点数) | FLOAT – 单精度浮点数 DOUBLE – 双精度浮点数 |
Fixed point numbers(定点数) | DECIMAL–17字节,任意精度数字,用户自定义精度定点数,如DECIMAL(10,3) |
String types(字符串) | STRING–可指定字符集的不定长字符串 VARCHAR–1-65535长度的不定长字符串 CHAR–1-255定长字符串 |
Datetime(时间日期类型) | STRTIMESTAMP – 时间戳 TIMESTAMP WITH LOCAL TIME ZONE – 时间戳,纳秒精度 DATE – 日期类型 |
Boolean(布尔类型) | BOOLEAN – TRUE / FALSE |
Binary types(二进制类型) | BINARY – 字节序列 |
这些类型名称都是 Hive 中保留字。这些基本的数据类型都是 java 中的接口进行实现的,因此与 java 中数据类型是基本一致的:
Hive数据类型 | Java数据类型 | 长度 | 样例 |
---|---|---|---|
TINYINT | byte | 1byte有符号整数 | 20 |
SMALLINT | short | 2byte有符号整数 | 30 |
INT | int | 4byte有符号整数 | 40 |
BIGINT | long | 8byte有符号整数 | 50 |
BOOLEAN | boolean | 布尔类型 | TURE / FALSE |
FLOAT | float | 单精度浮点数 | 3.14159 |
DOUBLE | double | 双精度浮点数 | |
STRING | string | 字符系列,可指定字符集;可使用单引号或双引号 | ‘The Apache Hive data warehouse software facilitates’ |
TIMESTAMP | 时间类型 | ||
BINARY | 字节数组 |
数据类型的隐式转换
Hive的数据类型是可以进行隐式转换的,类似于Java的类型转换。如用户在查询中将一种浮点类型和另一种浮点类型的值做对比,Hive会将类型转换成两个浮点类型中值较大的那个类型,即:将FLOAT类型转换成DOUBLE类型;当然如果需要的话,任意整型会转化成DOUBLE类型。 Hive 中基本数据类型遵循以下层次结构,按照这个层次结构,子类型到祖先类型允许隐式转换。
- 总的来说数据转换遵循以下规律:
- 任何整数类型都可以隐式转换为一个范围更广的类型。tinyint --> int ; int --> bigint
- 所有整数类型、float、string(都是数字)都可以隐式转换为Double;
- tinyint、smalint、int、 --> float
- boolean 不能转换。
hive> select '1.0'+2;
OK
3.0
hive> select '1111' > 10;
hive> select 1 > 0.8;
数据类型的显示转换
使用cast函数进行强制类型转换;如果强制类型转换失败,返回NULL
hive> select cast('1111s' as int);
OK
NULL
hive> select cast('1111' as int);
OK
1111
3.2 集合数据类型
Hive支持集合数据类型,包括array、map、struct、union
类型 | 描述 | 字面量示例 |
---|---|---|
ARRAY | 有序的相同数据类型的集合 | array(1,2) |
MAP | key-value对。key必须是基本数据类型,value不限 | map(‘a’, 1, ‘b’,2) |
STRUCT | 不同类型字段的集合。类似于C语言的结构体 | struct(‘1’,1,1.0), named_struct(‘col1’, ‘1’, ‘col2’, 1,‘clo3’, 1.0) |
UNION | 不同类型的元素存储在同一字段的不同行中 | create_union(1, ‘a’, 63) |
和基本数据类型一样,这些类型的名称同样是保留字;
ARRAY 和 MAP 与 Java 中的 Array 和 Map 类似;
STRUCT 与 C 语言中的 Struct 类似,它封装了一个命名字段集合,复杂数据类型允许任意层次的嵌套;
hive> select array(1,2,3);
OK
[1,2,3]
-- 使用 [] 访问数组元素
hive> select arr[0] from (select array(1,2,3) arr) tmp;
hive> select map('a', 1, 'b', 2, 'c', 3);
OK
{"a":1,"b":2,"c":3}
-- 使用 [] 访问map元素
hive> select mymap["a"] from (select map('a', 1, 'b', 2, 'c', 3) as mymap) tmp;
结果:1
-- 使用 [] 访问map元素。 key 不存在返回 NULL
hive> select mymap["x"] from (select map('a', 1, 'b', 2, 'c', 3) as mymap) tmp;
NULL
hive> select struct('username1', 7, 1288.68);
OK
{"col1":"username1","col2":7,"col3":1288.68}
-- 给 struct 中的字段命名
hive> select named_struct("name", "username1", "id", 7, "salary",12880.68);
OK
{"name":"username1","id":7,"salary":12880.68}
-- 使用 列名.字段名 访问具体信息
hive> select userinfo.id
> from (select named_struct("name", "username1", "id", 7,"salary", 12880.68) userinfo) tmp;
-- union 数据类型
hive> select create_union(0, "zhansan", 19, 8000.88) uinfo;
3.3 文本文件数据编码
Hive表中的数据在存储在文件系统上,Hive定义了默认的存储格式,也支持用户自定义文件存储格式。
Hive默认使用几个很少出现在字段值中的控制字符,来表示替换默认分隔符的字符。
Hive默认分隔符
id name age hobby(array) score(map)
字段之间:^A
元素之间: ^B
key-value之间:^C
666^Alisi^A18^Aread^Bgame^Ajava^C97^Bhadoop^C87
# 创建表
create table s1(
id int,
name string,
age int,
hobby array<string>,
score map<string, int>
);
# 加载数据
load data local inpath '/home/hadoop/data/s1.dat' into table s1;
# 查询结果
select * from s1;
Hive 中没有定义专门的数据格式,数据格式可以由用户指定,用户定义数据格式需要指定三个属性:列分隔符(通常为空格、"\t"、"\x001")、行分隔符("\n")以及读取文件数据的方法。
在加载数据的过程中,Hive 不会对数据本身进行任何修改,而只是将数据内容复制或者移动到相应的 HDFS 目录中。
将 Hive 数据导出到本地时,系统默认的分隔符是^A 、^B 、^C 这些特殊字符,使用cat 或者 vim 是看不到的;
在 vi 中输入特殊字符:
- (Ctrl + v) + (Ctrl + a) => ^A
- (Ctrl + v) + (Ctrl + b) => ^B
- (Ctrl + v) + (Ctrl + c) => ^C
^A / ^B / ^C 都是特殊的控制字符,使用 more 、 cat 命令是看不见的;可以使用cat -A file.dat
3.4 读时模式
在传统数据库中,在加载时发现数据不符合表的定义,则拒绝加载数据。数据在写入数据库时对照表模式进行检查,这种模式称为"写时模式"(schema on write)。
写时模式 -> 写数据检查 -> RDBMS;
Hive中数据加载过程采用"读时模式" (schema on read),加载数据时不进行数据格式的校验,读取数据时如果不合法则显示NULL。这种模式的优点是加载数据迅速。
读时模式 -> 读时检查数据 -> Hive;好处:加载数据快;问题:数据显示NULL