Hive笔记 —— 表加载数据的六种方式（实例代码，存储文件，数据格式）

Hive笔记 —— 表加载数据的六种方式（实例代码，存储文件，数据格式）

目录

• • 建表
  • 内部表，外部表删除表的区别
  • 利用location改变表的存储位置
  • truncate 清空表数据的情况
  • 加载数据的四种方式
  • • • hadoop dfs -put linux本地路径 hdfs路径
      • dfs -put linux本地路径 hdfs路径
      • load data inpath 'hdfs路径' into table 表名
      • load data local inpath 'linux本地路径' into table 表名
      • create table t1 as select * from t2
      • insert into 和 insert overwrite

建表

create table students(
    id bigint comment '学生id',
    name string comment '学生姓名',
    age int comment '学生年龄',
    gender string comment '学生性别',
    clazz string comment '学生班级'
) comment '学生信息表' 
ROW FORMAT DELIMITED FIELDS TERMINATED BY ','; 

创建一个内部表，表名为 students

在hive里面建立数据库后，默认会在hdfs里面的 /user/hive/warehouse下面生成一个数据库文件夹，这里创建的数据库名字叫demo，生成的文件夹名字为 demo.db

之后在这个数据库里面建表，建表成功后会在 demo.db 文件夹下面创建一个新的文件夹，文件夹名字就是表名（前提是没有使用location语句）

将本地存放数据的students.txt文件上传到这个文件夹里面，hadoop dfs -put students.txt /user/hive/warehouse/demo.db/students

然后就可以直接在hive中 *** 作，hive> select * from students;

发现数据被成功读取，说明将文件上传到 hive的表的对应路径下，hive会自动加载文件进入表中

另外，文件名不需要与表名相同，我建立了一个表名为scores的表，传入文件夹里面的文件名为score.txt，一样能正常读取数据

但是要求字段要一样，比如建表语句里面只设置了三个字段，但是文件中一行有五个字段，那么读取的时候就会出现问题

内部表，外部表删除表的区别

内部表删除表的同时会删除存储数据
拿上面创建的students内部表举例，还没有删表时，可以在hdfs中查找到传入的数据文件students.txt

执行删表语句，drop table students;

在返回看hdfs中的students表对应的数据文件位置，会发现报错，不仅students表被删除了，hdfs中存储的数据文件也被删除了

外部表删除表的同时不会删除存储数据
删除之前的students内部表后，创建一张名为students的外部表
外部表的建表语句就比内部表多了一个 external

create external table students(
    id bigint comment '学生id',
    name string comment '学生姓名',
    age int comment '学生年龄',
    gender string comment '学生性别',
    clazz string comment '学生班级'
) comment '学生信息表' 
ROW FORMAT DELIMITED FIELDS TERMINATED BY ','; 

没有location语句，默认在/user/hive/warehouse/库名 创建新的文件夹students用于存放数据

同样，利用hadoop dfs -put语句将数据文件传送到students表对应的存储位置下。然后执行删表语句

会发现外部表的删表语句只有一个OK提示，而内部表的删除语句会提示将hdfs中的数据文件移入了回收站

刷新，发现students文件还在，没有被删除

利用location改变表的存储位置

在hdfs的根目录下面创建一个新的文件夹 hadoop dfs -mkdir /test
然后是建表语句

create table students(
    id bigint comment '学生id',
    name string comment '学生姓名',
    age int comment '学生年龄',
    gender string comment '学生性别',
    clazz string comment '学生班级'
) comment '学生信息表' 
ROW FORMAT DELIMITED FIELDS TERMINATED BY ','
location '/test';

此时students表的存储位置不再是默认的 /user/hive/warehouse/库名 下面，而是被改为了 /test 文件夹下
现在将students.txt 数据文件传送到 /test 文件夹下面，hadoop dfs -put students.txt /test
文件传送完成后，执行一下查询语句 select * from students;

查询成功，说明 students表从指定的存储位置 /test 里面获取到了数据

最后再执行一下删表语句，drop table students;

之前在hdfs的根目录下创建的 test文件被整个删除了

所以 *** 作比较重要的数据时，建议使用外部表，避免不小心删表，连同数据文件一起删除的情况。

truncate 清空表数据的情况

之前都是用drop直接删除表，现在来看一下用truncate清空表数据的情况

内部表

hive> truncate table students;
OK
Time taken: 0.201 seconds

表格存储位置的文件被删除

外部表

hive> truncate table students;
FAILED: SemanticException [Error 10146]: Cannot truncate non-managed table students.

外部表清空表数据会直接报错，不允许清空表数据

加载数据的四种方式 hadoop dfs -put linux本地路径 hdfs路径

前面都用了这第一种方式，就是将数据文件直接从本地传送到 表格在hdfs中的存储位置

这里就不再举例了

特点：

1. 需要两个终端，一个终端用来 *** 作hive，一个终端用来向hdfs上传数据文件
2. 数据文件经历了从 linux本地 到 hdfs 的跨越
3. 文件上传速度较慢

dfs -put linux本地路径 hdfs路径

dfs   -put   /usr/local/data/students.txt   /user/hive/warehouse/demo.db/students;

文件同样上传成功，并且可以正常执行 select 语句

特点：

1. 只需要一个终端，在hive命令行即可完成全部 *** 作
2. 数据文件经历了从 linux本地 到 hdfs 的跨越
3. 文件上传速度较快

load data inpath ‘hdfs路径’ into table 表名

这里注意要开始在路径上加引号了

首先在hdfs的根目录下创建一个文件夹 data，用来存放数据文件，然后将linux里面的数据文件先传送到这个文件夹下面

接着执行建表语句，与上面都一样，这里就不再写了

接着执行load语句从hdfs中加载数据

hive> load data inpath '/data/students.txt' into table students;
Loading data to table demo.students
Table demo.students stats: [numFiles=1, totalSize=41998]
OK
Time taken: 0.753 seconds

加载完数据后发现students.txt原先存放的路径 /data 下为空，而相对应的students的存储位置多出了一个students.txt数据文件

特点：

1. 只需要一个终端，在hive命令行即可完成全部 *** 作
2. 从hdfs中加载数据，数据文件仅在hdfs中进行转移
   注意这里， load data inpath 会将数据文件从原来的hdfs路径 剪贴 到自己的存储路径下

load data local inpath ‘linux本地路径’ into table 表名

hive> drop table students;
Moved: 'hdfs://master:9000/user/hive/warehouse/demo.db/students' to trash at: hdfs://master:9000/user/root/.Trash/Current
OK
Time taken: 0.456 seconds


hive> create table students(
    >     id bigint comment '学生id',
    >     name string comment '学生姓名',
    >     age int comment '学生年龄',
    >     gender string comment '学生性别',
    >     clazz string comment '学生班级'
    > ) comment '学生信息表' 
    > ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';
OK
Time taken: 0.072 seconds


hive> load data local inpath '/usr/local/data/students.txt' into table students;
Loading data to table demo.students
Table demo.students stats: [numFiles=1, totalSize=41998]
OK
Time taken: 0.199 seconds

特点：

1. 只需要一个终端，在hive命令行即可完成全部 *** 作
2. 从linux本地加载数据，数据文件经历了从 linux本地 到 hdfs 的跨越

create table t1 as select * from t2

根据 t2 的表结构，创建 t1，同时将 t2 的数据插入 t1

例如

create table stu as select * from students;

原先 students 的存储位置里面的数据文件还在，没有被移动

而新创建的 stu 表的存储位置下多出来一个新文件

里面的数据是students.txt 里面的数据

特点：

1. 不需要自己再写一遍建表语句，可以根据已有表的表结构创建新表
2. 建表语句与加载语句浓缩成一行，不需要分开写
3. 两个表的结构应该相同

insert into 和 insert overwrite

1. insert into table tablename1 select * from tablename2

首先是建表语句，创建一个和 students 表结构一样的表 stu

create table stu(id bigint,name string,age int,gender string,clazz string) 
row format delimited fields terminated by ',';

然后将 students表里面的数据插入 stu表里面

insert into table stu select * from students;

这种情况是将 students表里面的数据 追加 到 stu表里面

我们可以再一次执行上面的insert into 语句来看看

然后查询一下stu表里面的全部数据 ，select * from stu; 查询结果一共有两千行数据

而查询students表里面的数据， select * from students; 查询结果一共有一千行数据

这里就可以看出来一共插入了两次students表里面的数据，每一次都是以追加的形式将数据插入到stu表里面
再看一下stu表的存储位置

insert into语句还有一个可选项，overwrite，加上这个选项后，数据的插入方式将从追加变成重写

2. insert overwrite table tablename1 select * from tablename2
   注意这里的区别，使用overwrite后，原先的into就需要删去

insert overwrite table stu select * from students;

语句执行完毕后，再来查询一下全部数据看看

数据变成了一千条，原先的两千条数据被清空后重写，重新写入一千条数据

stu 表的存储位置里面的文件，也从两个变成了一个

3. 改变文件的存储格式

这里创建一张新的表，并且通过 stored as 将存储文件的文件格式改为 rcfile
如果不加上 stored as 指定存储格式，那么默认是 textfile，students表就是TextFile格式

（1）TEXTFILE 即正常的文本格式，是Hive默认文件存储格式。在hdfs上明文显示，可以用hadoop dfs -cat 来查看。TEXTFILE 存储文件默认每一行就是一条记录，可以指定任意的分隔符进行字段间的分割。但这个格式无压缩，需要的存储空间很大。
（2）RCFile 列文件格式，有着很好的压缩和快速的查询性能。

hive> create table stuTest (id bigint,name string,age int,gender string,clazz string)
    > row format delimited fields terminated by ','
    > stored as rcfile;
OK
Time taken: 0.798 seconds

将students表里面的数据插入stuTest表中，insert overwrite table stuTest select * from students;

插入完成后，分别查看一下 students的存储文件和 stuTest表的存储文件
students的存储文件（TextFile格式）

stuTest的存储文件（RCFile格式）

会发现通过 insert 语句插入数据，如果两张表的存储格式不一样，那么数据的格式会被自动转换

特点：

1. 两张表的结构应该一样
2. 区分追加和重写的插入方式
3. 如果两张表的存储格式不一样，那么数据的插入过程中会自动转换数据格式