Hive - 快速入门教程4（内部表、外部表、分区表、桶表、视图详解）

2024-09-12 发布：hangge 阅读：34

在 MySQL 中没有“表类型”这个概念，因为它里面的所有表都是一种类型的。但是 Hive 中有多种表类型：内部表、外部表、分区表和桶表。此外，Hive 中同样也拥有视图。本文将对各种表类型以及视图进行讲解。

一、内部表

1，基本介绍

（1）内部表也可以被称为受控表，它是 Hive 中的默认表类型，表数据默认存储在 HDFS 的“/user/hive/warehouse”目录下。

（2）当往内部表中加载数据时，即在使用 load 命令加载数据时，数据会被移动到“/user/hive/warehouse”目录下。

（3）当使用 drop 命令删除内部表时，表中的数据和元数据会被同时删除，这是内部表最典型的特性。

2，使用样例

（1）假设 /usr/local/t2.txt 文件中的内容如下：

（2）我们执行下面命令创建一张内部表 t2：

create table t2(id int);

（3）然后执行如下命令可以将 /usr/local/t2.txt 文件加载到表 t2 中。

load data local inpath '/usr/local/t2.txt' into table t2;

（4）可以看到 HDFS 的“/user/hive/warehouse”目录下会有个 t2 目录，而数据则被移动到该目录下：

（5）如果我们执行如下命令删除 t2 表：

drop table t2;

（6）那么 HDFS 的“/user/hive/warehouse”目录下的 t2 目录及其内部数据也会被一并删除：

二、外部表

1，基本介绍

（1）建表语句中包含 External 关键字的表是外部表。

（2）当往外部表中加载数据时，数据并不会被移动到“/user/hive/warehouse”目录下，只是与外部数据建立一个链接（映射关系）。

（3）外部表的定义（元数据）和表中数据的生命周期互相不约束，表中数据只是表对 HDFS 上某一个目录的引用而已。在删除表定义时，表中数据依然是存在的，仅删除表和数据之间的引用关系。所以这种表是比较安全的，就算是误删表了，表中数据也不会丢。

（4）在创建外部表时，基本上都会通过 location 参数指定这个表对应的数据存储目录。当然也可以不指定，如果不指定，则使用默认的“/user/hive/warehouse”目录。

提示：在实际工作中，Hive 中 95% 以上的表都是外部表，因为大部分的数据都是由 Flume 这种日志采集工具提前采集到 HDFS 中的，此时使用 Hive 的外部表可以直接关联里面的数据，load 操作都可以省了。

2，使用样例

（1）假设 /usr/local/t2.txt 文件中的内容如下：

（2）我们执行下面命令创建一张外部表 t2：

提示：这里在建表语句中通过 location 参数指定表数据存储的 HDFS 日录。

create external table t2(
  id int
) location '/data/t2';

（3）然后执行如下命令可以将 /usr/local/t2.txt 文件加载到表 t2 中。

load data local inpath '/usr/local/t2.txt' into table t2;

（4）查看表 t2 的数据：

select * from t2;

（5）而数据也在我们指定的存储目录下：

（6）接着我们删除表 t2：

drop table t2;

（7）此时到 HDFS 上查看数据，发现“/data/t2”目录下的数据依然存在。这就是外部表的典型特性：在外部表被删除时，只会删除表的元数据，表中的数据不会被删除。

（8）我们再次创建 t2 表关联 HDFS 上的“/data/t2”目录：

create external table t2(
  id int
) location '/data/t2';

（9）数据也是可以成功查询到的：

select * from t2;

三、分区表

1，基本介绍

（1）分区表在实际工作中是非常常见的，应用场景特别多。

假设企业中的 Web 服务器每天都产生一个日志文件，Flume 把日志数据采集到 HDFS 中，把每一天的数据都存储到 HDFS 的同一个目录下。
如果要查询某一天的数据，则 Hive 默认会对所有文件都扫描一遍，然后过滤出需要查询的那一天的数据。
如果这个采集任务已经运行了一年，那每次计算时都需要把一年的数据全部读取出来，再过滤出来某一天的数据，这样效率就太低了。
我们可以让 Hive 在查询时，根据要查询的日期直接定位到对应的日期目录。这样即可直接查询满足条件的数据，效率提升至少上百倍。要实现这个功能，需要使用分区表。

（2）分区可以被理解为分类，通过分区把不同类型的数据存储到不同目录下。

（3）分区的标准就是指定的分区字段，分区字段可以有一个或多个。根据前面分析的场景，分区字段就是日期。

（4）分区表的意义在于优化查询。在查询时尽量利用分区字段，如果不使用分区字段，则会全表扫描。最典型的一个场景就是把“天”作为分区字段，查询时指定天。

（5）分区表还可以被细分为内部分区表和外部分区表，主要区别就是在建表语句中是否使用了 External 关键字。

提示：在实际工作中，99% 的表都是外部分区表。

2，内部分区表使用样例

（1）首先我们创建一个内部分区表 t2：

注意：建表语句中使用 partitioned by 指定了分区字段，分区字段的名称为 dt，类型为 string。

create table t2(
  id int,
  name string
)
partitioned by(dt string)
row format delimited
fields terminated by '\t';

（2）查看内部分区表 t2 的信息：

desc t2;

（3）测试数据文件 t2.txt 内容如下：

（4）接着向内部分区表 t2 中加载数据，这里我使用不同的分区信息加载了两次。

注意：在向分区表中加载数据时需要指定分区信息，因为分区信息不需要在原始数据中存储。

load data local inpath '/usr/local/t2.txt' into table t2 partition(dt='2024-02-01');
load data local inpath '/usr/local/t2.txt' into table t2 partition(dt='2024-02-02');

（5）然后查看内部分区表 t2 中所有的分区信息：

show partitions t2;

（6）下面命令查看 t2 表的所有数据，会扫描全表：

select * from t2;

（7）下面命令只会查询 dt='2024-02-02'对应的 HDFS 目录下的数据，不会扫描全表，执行效率高。

select * from t2 where dt='2024-02-02';

（8）我们可以执行如下命令删除一个分区：

注意：此时分区删除之后，分区中对应的数据也就没有了，因为是内部表，所以分区的数据是会被删掉的。

alter table t2 drop partition(dt='2024-02-02');

（9）针对一张表我们也可以同时创建多个分区，比如下面的学生表，我们使用年份和学院名称作为分区字段：

create table student(
  id int,
  name string
) partitioned by (year int, school string)
row format delimited
fields terminated by '\t';

然后在加载时指定 year 和 school 这两个分区字段即可：

load data local inpath '/usr/local/student.data' into table student partition (year=2020,school='xk');

3，外部分区表使用样例

（1）首先我们创建一个外部分区表 t1：

注意：建表语句中使用 partitioned by 指定了分区字段，分区字段的名称为 dt，类型为 string。通过 location 参数指定表数据存储的 HDFS 日录。

create external table t1(
  id int,
  name string
)
partitioned by(dt string)
row format delimited
fields terminated by '\t'
location '/data/t1';

（2）查看内部分区表 t1 的信息：

desc t1;

（3）测试数据文件 t1.txt 内容如下：

（4）接着向外部分区表 t1 中加载数据，这里我使用不同的分区信息加载了两次。

注意：在向分区表中加载数据时需要指定分区信息，因为分区信息不需要在原始数据中存储。

load data local inpath '/usr/local/t1.txt' into table t1 partition(dt='2024-02-01');
load data local inpath '/usr/local/t1.txt' into table t1 partition(dt='2024-02-02');

（5）然后查看内部分区表 t1 中所有的分区信息：

show partitions t1;

（6）下面命令查看 t1 表的所有数据，会扫描全表：

select * from t1;

（7）下面命令只会查询 dt='2024-02-02' 对应的 HDFS 目录下的数据，不会扫描全表，执行效率高。

select * from t1 where dt='2024-02-02';

（8）在实际工作中会遇到这种场景：数据已经被提前通过 Flume 或者其他组件采集到 HDFS 的指定目录下了，如果不关联 Hive 是查询不到数据的。比如 HDFS 的“/data/t2”目录下有一些已有的数据文件（可以是多个文件）：

（9）我们需要将 HDFS 中的数据和 Hive 中的外部分区表进行关联。下面命令表示将 HDFS 中“/data/t2”目录下的数据关联到 Hive 中表 t1 的 dt='2024-03-01' 这个分区中。

提示：

load data …partition …：这条命令做了两件事情：移动数据；添加分区。
alter table …add partition ….location …：这条命令做了一件事情：添加分区。

alter table t1 add partition(dt='2024-03-01') location '/data/t2';

（10）接下来查询一下外部分区表 t1 数据，可以看到数据被添加进来了。

select * from t1;

四、桶表

1，基本介绍

（1）桶表是对数据进行哈希取值，然后放到不同文件中存储。在物理层面，每个桶就是表（或分区）中的一个文件。

（2）桶表的主要作用有两点：

在数据抽样时提高效率。
提高 JOIN 操作的查询效率。

（3）例如：针对中国的人口，有些省份的人口相对较少。如果使用分区表，把省份作为分区字段，则数据会集中在某几个分区中，其他分区中的数据就很少。这样对数据存储及查询不太友好，在计算时会出现数据倾斜的问题，计算效率也不高。应该相对均匀地存放数据，从源头上解决问题，这时可以使用桶表。

提示：在实际工作中，桶表的应用场景比较少，不是日常用来存储数据的表，需要抽样查询时，才创建和使用桶表。

2，使用样例

（1）创建普通表：

create table course_common(
  id int,
  name string,
  score int
)
row format delimited
fields terminated by "\t";

（2）创建分桶表：

create table course(
  id int,
  name string,
  score int
)
clustered by (id) into 3 buckets
row format delimited
fields terminated by "\t";

（3）普通表加载数据：

load data local inpath '/usr/local/course.txt' into table course_common;

其中 course.txt 文件中的数据如下：

（4）通过 insert...select...给桶表加载数据：

insert into table course select * from course_common;

（5）查看分桶表 course 里面数据：

select * from course;

（6）同时 HDFS 上对应 couse 表目录下确实也根据桶的数量将数据分成 3 个文件：

（7）桶表的一个主要作用就是数据抽样。假如我们使用的是一个大规模的数据集,我们只想去抽取部分数据进行查看.使用 bucket 表可以变得更加的高效。

比如下面代码根据 id 对桶表中的数据重新分桶，分成 3 桶，取出第 1 桶的数据。

select * from course tablesample(bucket 1 out of 3 on id);

（8）桶表的另一个主要作用就是提高某些查询效率。例如：join 查询,可以避免产生笛卡尔积的操作。

比如下面样例，如果 a 表和 b 表已经是分桶表，而且分桶的字段是 id 字段，那么做这个操作的时候就不需要再进行全表笛卡尔积了，因为分桶之后相同规则的 id 已经在相同的文件里面了，这样 a 表的每个桶就可以和 b 表的每个桶直接 join，而不用全表 join 了。

select a.id,a.name,b.addr from a join b on a.id = b.id;

五、视图

1，基本介绍

在 Hive 中也有视图的功能，其主要作用是降低查询的复杂度。可以通过 create view 语句创建视图。

2，使用样例

（1）首先执行如下命令创建一个视图：

create view v1 as select course.id, course.name from course;

（2）执行如下命令查看视图结构：

desc v1;

（3）通过视图查看数据。

select * from v1;