Hive内部表和外部表

一、概念

Hive表分为两类，即内部表和外部表。

内部表（managed table）

所谓内部表（managed table）即Hive管理的表，Hive内部表的管理既包含逻辑以及语法上的，也包含实际物理意义上的，即创建Hive内部表时，数据将真实存在于表所在的目录内，删除内部表时，物理数据和文件也一并删除。

外部表（external table）

外部表（external table）则不然，其管理仅仅是在逻辑和语法意义上的，即新建表仅仅是指向一个外部目录而已。同样，删除时也并不物理删除外部目录，而仅仅是将引用和定义删除。

考虑下面的语句：

CREATE TABLE my_managed_table(col1 STRING)
LOAD DATA INPATH '/user/root/test_data.txt' 
IN TO table my_managed_table

上述语句会将hdfs://user/root/data.txt移动到Hive的对应目录hdfs://user/hive/warehouse/managed_table。但是载入数据的速度非常快，因为Hive只是把数据移动到对应的目录，不会对数据是否符合定义的Schema做校验，这个工作通常在读取的时候进行（即为Schema On Read）。同时，my_managed_table使用DROP语句删除后，其数据和表的元数据都被删除，不再存在，这就是Hive Managed的意思：

DROP TABLE my_managed_table;

外部表则不一样，数据的创建和删除完全由自己控制，Hive不管理这些数据。数据的位置在创建时指定：

CREATE EXTERNAL TABLE externale_table(dummy STRING)
LOCATION '/user/root/externale_table'
LOAD DATA INPATH '/user/root/data.txt' 
IN TO table externale_table

指定EXTERNAL关键字后，Hive不会把数据移动到warehouse目录中。事实上，Hive甚至不会校验外部表的目录是否存在。这使得我们可以在创建表之后再创建数据。当删除外部表时，Hive只删除元数据，而不会删除外部实际物理文件。

二、什么时候使用内部表，什么时候使用外部表？

大多数情况下，这两者的区别不是很明显。

如果数据的所有处理都在Hive中进行，那么更倾向于选择内部表。

如果Hive和其他工具针对相同的数据集做处理，那么外部表更合适。一种常见的模式是使用外部表访问存储的HDFS（通常由其他工具创建）中的初始数据，然后使用Hive转换数据并将其结果放在内部表中。相反，外部表也可以用于将Hive的处理结果导出供其他应用使用。使用外部表的另一种场景是针对一个数据集，关联多个Schema。

一般情况下，在企业内部都是使用外部表的。因为会有多人操作数据仓库，可能会产生数据表误删除操作，为了数据安全性，通常会使用外部表。