转载请注明出处：http://blog.csdn.net/u012842205/article/details/72765667
Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供简单的sql查询功能，可以将sql语句转换为MapReduce任务进行运行。 其优点是学习成本低，可以通过类SQL语句快速实现简单的MapReduce统计，不必开发专门的MapReduce应用，十分适合数据仓库的统计分析。但缺点也非常明显。因为Hive运算引擎来自MapReduce，MapReduce中间结果都存储在磁盘，IO导致速度很慢，这也是Hive最显著的缺点。
作为对元数据SQL化操作的引擎，Hive同样使用RDBMS的数据表对象管理数据。
一、Hive表
Hive中能存在两种表：
- 内部表（managed table），数据文件、统计文件、元数据都由Hive自己管理，换句话说，这个表数据存储在哪里我们不用关心，也不用提供，Hive默认存储在HDFS。Hive能管理原始数据的整个生命周期。Hive表删除后，数据也随之删除。
- 外部表（external table），数据文件存储在其他系统中，可能是HDFS，也可能是HBase、ASV等，HIve只保留映射关系，但Hive表删除后，数据不会丢失，仍然存在于其他系统中。
二、创建表
由于Hive支持标准的SQL（包括SQL:2003和SQL:2011标准的一些特性），创建表与后面提到的CURD都比较好理解。以下是一些简单的创建表语句例子：
简单的内部表
create table tb (id int, name String, age int);
分区的内部表
create table ez_part_test (
id int,
col1 string,
col2 string) partitioned by
(type int) stored as orc外部表（HDFS）
create external table example_csv_tb (
id int,
col1 string,
col2 string) ROW FORMAT
delimited fields terminated by ','
lines terminated by '\n'
stored as textfile location "/ez/example"HiveSQL不仅仅定义字段及相应的类型，也提供定义字段属性、表存储格式等的语义。
1、外部表
例如，在HDFS上有个在 hdfs://myhost:8020/ez/example/lang.csv 的数据文件，内容如下：
1,java,20
2,c,40
3,Golang,8
4,Perl,35
5,PHP,20这时候需要一个Hive表，映射到这个文件，方便用SQL查询，这个表既是外部表。同理映射到HBase表也是外部表。于是我们使用如下语句：
create external table lang (
id int,
name string,
field1 int) ROW FORMAT
delimited
fields terminated by ','
lines terminated by '\n'
stored as textfile
location "/ez/example/lang.csv"row_format
: DELIMITED [FIELDS TERMINATED BY char [ESCAPED BY char]]
[COLLECTION ITEMS TERMINATED BY char]
[MAP KEYS TERMINATED BY char]
[LINES TERMINATED BY char]
[NULL DEFINED AS char] -- (Note: Available in Hive 0.13 and later)
| SERDE serde_name [WITH SERDEPROPERTIES (property_name=property_value, property_name=property_value, ...)]必须定义的两个属性之一，其一是DELIMITED，其二是SERDE。第一个用于描述文本文件，第二个用于描述二进制文件（序列化与反序列化）。我们只涉及到描述文本文件。于是描述字段间的分割符号为','，行结束符为'\n'。
stored as file_format声明存储的文件为什么格式。
file_format:
: SEQUENCEFILE
| TEXTFILE -- (Default, depending on hive.default.fileformat configuration)
| RCFILE -- (Note: Available in Hive 0.6.0 and later)
| ORC -- (Note: Available in Hive 0.11.0 and later)
| PARQUET -- (Note: Available in Hive 0.13.0 and later)
| AVRO -- (Note: Available in Hive 0.14.0 and later)
| INPUTFORMAT input_format_classname OUTPUTFORMAT output_format_classname这里我们配置TEXTFILE（文本文件），也是默认的Hive外部表存储格式。
location hdfs_path子句意思很明显了，数据文件存储的位置，注：必须是HDFS文件路径。
至此一个最简单的外部表就创建完成了。可以直接使用如下语句查询试试：
select * from lang;注意：这里我们没有指定数据库，所以这个表将创建在default数据库中，Hive默认内置的一个数据库。
2、内部表
例如，我们没有数据文件，只是想创建一个Hive表，这个Hive表以后用于存储数据用，或从其他数据源导入，或程序写入等。内部表看起来就像RDBMS的数据表，Hive有足够大的权限可以操纵表里的数据，包括删除。
创建外部表时，使用的语句是create external table。而默认情况下，不使用external则是默认创建内部表。
以下是创建表语法：
CREATE [TEMPORARY] [EXTERNAL] TABLE [IF NOT EXISTS] [db_name.]table_name -- (Note: TEMPORARY available in Hive 0.14.0 and later)
[(col_name data_type [COMMENT col_comment], ... [constraint_specification])]
[COMMENT table_comment]
[PARTITIONED BY (col_name data_type [COMMENT col_comment], ...)]
[CLUSTERED BY (col_name, col_name, ...) [SORTED BY (col_name [ASC|DESC], ...)] INTO num_buckets BUCKETS]
[SKEWED BY (col_name, col_name, ...) -- (Note: Available in Hive 0.10.0 and later)]
ON ((col_value, col_value, ...), (col_value, col_value, ...), ...)
[STORED AS DIRECTORIES]
[
[ROW FORMAT row_format]
[STORED AS file_format]
| STORED BY 'storage.handler.class.name' [WITH SERDEPROPERTIES (...)] -- (Note: Available in Hive 0.6.0 and later)
]
[LOCATION hdfs_path]
[TBLPROPERTIES (property_name=property_value, ...)] -- (Note: Available in Hive 0.6.0 and later)
[AS select_statement]; -- (Note: Available in Hive 0.5.0 and later; not supported for external tables)
CREATE [TEMPORARY] [EXTERNAL] TABLE [IF NOT EXISTS] [db_name.]table_name
LIKE existing_table_or_view_name
[LOCATION hdfs_path];
data_type
: primitive_type
| array_type
| map_type
| struct_type
| union_type -- (Note: Available in Hive 0.7.0 and later)
primitive_type
: TINYINT
| SMALLINT
| INT
| BIGINT
| BOOLEAN
| FLOAT
| DOUBLE
| DOUBLE PRECISION -- (Note: Available in Hive 2.2.0 and later)
| STRING
| BINARY -- (Note: Available in Hive 0.8.0 and later)
| TIMESTAMP -- (Note: Available in Hive 0.8.0 and later)
| DECIMAL -- (Note: Available in Hive 0.11.0 and later)
| DECIMAL(precision, scale) -- (Note: Available in Hive 0.13.0 and later)
| DATE -- (Note: Available in Hive 0.12.0 and later)
| VARCHAR -- (Note: Available in Hive 0.12.0 and later)
| CHAR -- (Note: Available in Hive 0.13.0 and later)
array_type
: ARRAY < data_type >
map_type
: MAP < primitive_type, data_type >
struct_type
: STRUCT < col_name : data_type [COMMENT col_comment], ...>
union_type
: UNIONTYPE < data_type, data_type, ... > -- (Note: Available in Hive 0.7.0 and later)
row_format
: DELIMITED [FIELDS TERMINATED BY char [ESCAPED BY char]] [COLLECTION ITEMS TERMINATED BY char]
[MAP KEYS TERMINATED BY char] [LINES TERMINATED BY char]
[NULL DEFINED AS char] -- (Note: Available in Hive 0.13 and later)
| SERDE serde_name [WITH SERDEPROPERTIES (property_name=property_value, property_name=property_value, ...)]
file_format:
: SEQUENCEFILE
| TEXTFILE -- (Default, depending on hive.default.fileformat configuration)
| RCFILE -- (Note: Available in Hive 0.6.0 and later)
| ORC -- (Note: Available in Hive 0.11.0 and later)
| PARQUET -- (Note: Available in Hive 0.13.0 and later)
| AVRO -- (Note: Available in Hive 0.14.0 and later)
| INPUTFORMAT input_format_classname OUTPUTFORMAT output_format_classname
constraint_specification:
: [, PRIMARY KEY (col_name, ...) DISABLE NOVALIDATE ]
[, CONSTRAINT constraint_name FOREIGN KEY (col_name, ...) REFERENCES table_name(col_name, ...) DISABLE NOVALIDATE三、创建分区表
目前我只尝试过在内部表上分区，没有尝试过外部表分区。分区是将HDFS中不同分区的数据文件存放于不同的目录下。例如一个Hive内部表数据保存于HDFS中/user/hive/warehouse/mytest.db/下，这个目录下全是数据文件（可能是文本文件格式，也可能是其他格式，根据file_format指定）。这时候若引入一个字段用于分区，则将会在这个目录下产生新的目录，每个目录对应一个分区。每个分区数据分别存在自己对应的目录下。这样查询效率也会更高。
创建分区表将使用到partitioned by子句。如下分区表：
create table partition_tb (
id int, col1 string, col2 string)
partitioned by (type int)
stored as ORC
这里需要注意，当指定分区列时，分区列不能是数据列。上面type列就没有出现在数据列（id，col1，col2）中。而在查询和写入语句中，type列完全可以像普通数据列一样使用，放在where子句，放在select列中。
当表建立好后，只是声明了有一个叫type的列可以用于分隔数据，但没有创建分区出来，也就是说，现在HDFS目录下还没有分区目录，分区信息的元数据也没有形成。那我们是等数据写入时再检测是否分区存在，并创建与否，还是事先建立好所有的分区，静等数据进入呢？这个也是Hive静态分区与动态分区的问题。我们完全可以配置使Hive允许动态分区。这里我只记录了非动态分区的做法（后续学习了动态分区留待补充）。配置参数hive.exec.dynamic.partition.mode=nonstrict。
ALTER TABLE table_name ADD [IF NOT EXISTS] PARTITION partition_spec
[LOCATION 'location1'] partition_spec [LOCATION 'location2'] ...;
partition_spec:
: (partition_column = partition_col_value, partition_column = partition_col_value, ...)结合上面的partition_tb表，我们创建一个分区：
alter table partition_tb add partition (type = 1)
为表做分区主要考虑的是效率问题，重点需要考虑分区的列的基数（也就是该列包含唯一值的个数）。选择基数很高的列来做分区会导致数据严重的碎片化。不要对数据过分的分区。如果有太多的小分区，那么对这么多的分区目录进行扫描代价也是比较高的，甚至可能比全表扫描还高。
四、删除表
上面已经提到，对于内部表，删除后hive也会删除HDFS上存储的数据。对于外部表，只是表的元数据（metastore）会删除，真实数据并不会删除。
DROP TABLE [IF EXISTS] table_name [PURGE]; -- (Note: PURGE available in Hive 0.14.0 and later)
下一篇将记录表操作CURD及笔者倒腾Hive遇到的一些坑。
