Hive建表

一、Hive建表语句

（1）创建内部表

（2）创建外部表

drop table yum_area_dw.dw_community_base_info_aoi_clean;
CREATE EXTERNAL TABLE `yum_area_dw.dw_community_base_info_aoi_clean`(
  `id` bigint comment '小区id',
  `community_name` string comment '小区名称',
  `city_id` bigint comment '城市id')
  comment '表备注'
PARTITIONED BY (
dt string comment '日期分区')
  row format delimited fields terminated by '\u0001' lines terminated by '\n'
stored as textfile;

二、数据导入

1、Hive客户端中将数据导入hive表：根据数据源不同划分

（1）从本地文件系统中导入数据到hive表中：

load data local inpath "path" [OVERWRITE] into table tablename;

（2）从HDFS上导入数据到hive表中：

load data inpath "path" [OVERWRITE] into table tablename;

（3）从别的表查询出来的数据导入到hive表中：

insert overwrite table tablename_1 partition() 

select .... from tablename_2 where ......

三、内部表和外部表

1、Hive内部表和外部表区别：主要分为两方面，数据加载load、删除表drop。

数据加载：创建内部表时，会将数据移动到hive指向的路径，并且由hive来管理数据的生命周期。

                  创建外部表时，只是记录数据所在的路径，不对数据位置做改变。

删除表：删除内部表，数据和元数据会一起删除掉。

               删除外部表，只是删除元数据，数据不会删除。

四、分区和分桶

1、分区：分区是指按照数据表的某列或某些列分为多个区，区从形式上可以理解为文件夹，比如我们要收集某个大型网站的日志数据，一个网站每天的日志数据存在同一张表上，由于每天会生成大量的日志，导致数据表的内容巨大，在查询时进行全表扫描耗费的资源非常多。那其实这个情况下，我们可以按照日期对数据表进行分区，不同日期的数据存放在不同的分区，在查询时只要指定分区字段的值就可以直接从该分区查找，避免全表扫描，可以提高查询效率。

注意：分区只是添加了一个伪列，这个伪劣使我们人为规定的，只在查询的时候显示，实际在表中并不存在这个列。不能按照某个数据表中真实存在的列，如userid来分区。

　　分区的目的就是提高查询效率，查询分区数据的方式就是指定分区名，指定分区名之后就不再全表扫描，直接从指定分区（如name=jack的分区）中查询，从hdfs的角度看就是从相应的文件系统中（如name=jack文件夹下）去查找特定的数据

create table dept_partition(deptno  int , dname string,loc string)
partitioned by (month string)
row format delimited fields terminated  by '\t';

2、分桶：分桶是相对分区进行更细粒度的划分。分桶将整个数据内容按照某列属性值的hash值进行区分，如要按照name属性分为3个桶，就是对name属性值的hash值对3取摸，按照取模结果对数据分桶。如取模结果为0的数据记录存放到一个文件，取模为1的数据存放到一个文件，取模为2的数据存放到一个文件。

注意：分桶的列是表中已存在的列，而不是伪列。分桶的信息在hdfs上看不到相关的文件，但是可以查询到分桶中的数据，说明确实分桶了。

create table test_bucket (
id int comment 'ID', 
name string comment '名字'
)
comment '测试分桶'
clustered by(id) into 4 buckets
ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' ;

3、分区和分桶的区别：

（1）分区是指定伪列进行分区，分桶是表格中真实存在的列。

（2）分区信息在hdfs上显示的是分区文件夹，而分桶在hdfs上看不到，但是查询分桶数据们可以查询到。

（3）分桶是数据的更精细的划分。

4、分桶的使用场景：

（1）当使用分区进行数据划分的时候，出现有些分区数据过多，而有些分区数据过少的时候，这时候可以采用分桶，对数据进行划分。

（2）提升Join查询的效率，若两个表都在连接的字段上进行了分桶，那么在join的时候可以使用 Map 端连接 （Map-side join）高效的实现。比如Join 操作。对于Join 操作两个表有一个相同的列，如果对这两个表都进行了分桶操作。那么将保存相同列值的桶进行Join 操作就可以，可以大大减少Join 数据量。

（3）方便抽样：使取样（sampling）更高效。在处理大规模数据集时，在开发和修改查询的阶段，如果能在数据集的一小部分数据上试运行查询，会带来很多方便。