欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

hive学习笔记之四:分区表

程序员文章站 2024-01-05 13:08:46
欢迎访问我的GitHub https://github.com/zq2599/blog_demos 内容:所有原创文章分类汇总及配套源码,涉及Java、Docker、Kubernetes、DevOPS等; 《hive学习笔记》系列导航 基本数据类型 复杂数据类型 内部表和外部表 分区表 分桶 Hiv ......

欢迎访问我的github

内容:所有原创文章分类汇总及配套源码,涉及java、docker、kubernetes、devops等;

《hive学习笔记》系列导航

  1. hiveql基础
  2. sqoop
  3. 基础udf
  4. 用户自定义聚合函数(udaf)
  5. udtf

本篇概览

本文是《hive学习笔记》系列的第四篇,要学习的是hive的分区表,简单来说hive的分区就是创建层级目录的一种方式,处于同一分区的记录其实就是数据在同一个子目录下,分区一共有两种:静态和动态,接下来逐一尝试;

静态分区(单字段分区)

先尝试用单个字段分区,t9表有三个字段:名称city、年龄age、城市city,以城市作为分区字段:

  1. 建表:
create table t9 (name string, age int) 
partitioned by (city string)
row format delimited 
fields terminated by ',';
  1. 查看:
hive> desc t9;
ok
name                	string              	                    
age                 	int                 	                    
city                	string              	                    
	 	 
# partition information	 	 
# col_name            	data_type           	comment             
	 	 
city                	string              	                    
time taken: 0.159 seconds, fetched: 8 row(s)
  1. 创建名为009.txt的文本文件,内容如下,可见每行只有name和age两个字段,用来分区的city字段不在这里设置,而是在执行导入命令的时候设置,稍后就会见到:
tom,11
jerry,12
  1. 导入数据的命令如下,可见导入命令中制定了city字段,也就是说一次导入的所有数据,city字段值都是同一个:
load data 
local inpath '/home/hadoop/temp/202010/25/009.txt' 
into table t9 
partition(city='shenzhen');
  1. 再执行一次导入操作,命令如下,city的值从前面的shenzhen改为guangzhou
load data 
local inpath '/home/hadoop/temp/202010/25/009.txt' 
into table t9 
partition(city='guangzhou');
  1. 查询数据,可见一共四条数据,city共有两个值:
hive> select * from t9;
ok
t9.name	t9.age	t9.city
tom	11	guangzhou
jerry	12	guangzhou
tom	11	shenzhen
jerry	12	shenzhen
time taken: 0.104 seconds, fetched: 4 row(s)
  1. 前面曾提到分区实际上是不同的子目录,来看一下是不是如此,如下图,红框是t9的文件目录,下面有两个子目录city=guangzhoucity=shenzhen

hive学习笔记之四:分区表

  1. 查看子目录里面文件的内容,可见每条记录只有name和age两个字段:
[hadoop@node0 bin]$ ./hadoop fs -ls /user/hive/warehouse/t9/city=guangzhou
found 1 items
-rwxr-xr-x   3 hadoop supergroup         16 2020-10-31 16:47 /user/hive/warehouse/t9/city=guangzhou/009.txt
[hadoop@node0 bin]$ ./hadoop fs -cat /user/hive/warehouse/t9/city=guangzhou/009.txt
tom,11
jerry,12
[hadoop@node0 bin]$

以上就是以单个字段做静态分区的实践,接下来尝试多字段分区;

静态分区(多字段分区)

  1. 新建名为t10的表,有两个分区字段:province和city,建表语句:
create table t10 (name string, age int) 
partitioned by (province string, city string)
row format delimited 
fields terminated by ',';
  1. 上述建表语句中,分区字段province写在了city前面,这就意味着第一级子目录是province值,每个province子目录,再按照city值建立二级子目录,图示如下:

hive学习笔记之四:分区表
3. 第一次导入,province='shanxi', city='xian':

load data 
local inpath '/home/hadoop/temp/202010/25/009.txt' 
into table t10 
partition(province='shanxi', city='xian');
  1. 第二次导入,province='shanxi', city='xian':
load data 
local inpath '/home/hadoop/temp/202010/25/009.txt' 
into table t10 
partition(province='shanxi', city='hanzhong');
  1. 第三次导入,province='guangdong', city='guangzhou':
load data 
local inpath '/home/hadoop/temp/202010/25/009.txt' 
into table t10 
partition(province='guangdong', city='guangzhou');
  1. 第四次导入,province='guangdong', city='shenzhen':
load data 
local inpath '/home/hadoop/temp/202010/25/009.txt' 
into table t10 
partition(province='guangdong', city='shenzhen');
  1. 全部数据如下:
hive> select * from t10;
ok
t10.name	t10.age	t10.province	t10.city
tom	11	guangdong	guangzhou
jerry	12	guangdong	guangzhou
tom	11	guangdong	shenzhen
jerry	12	guangdong	shenzhen
tom	11	shanxi	hanzhong
jerry	12	shanxi	hanzhong
tom	11	shanxi	xian
jerry	12	shanxi	xian
time taken: 0.129 seconds, fetched: 8 row(s)
  1. 查看hdfs文件夹,如下图,一级目录是province字段的值:

hive学习笔记之四:分区表

  1. 打开一个一级目录,如下图,可见二级目录是city的值:

hive学习笔记之四:分区表
10. 查看数据:

[hadoop@node0 bin]$ ./hadoop fs -cat /user/hive/warehouse/t10/province=shanxi/city=hanzhong/009.txt
tom,11
jerry,12
  1. 以上就是静态分区的基本操作,可见静态分区有个不便之处:新增数据的时候要针对每一个分区单独使用load命令去操作,这时候使用动态分区来解决这个麻烦;

动态分区

  1. 动态分区的特点就是不用指定分区目录,由hive自己选择;
  2. 执行以下命令开启动态分区功能:
set hive.exec.dynamic.partition=true
  1. 名为hive.exec.dynamic.partition.mode的属性,默认值是strict,意思是不允许分区列全部是动态的,这里改为nostrict以取消此禁制,允许全部分区都是动态分区:
set hive.exec.dynamic.partition.mode=nostrict;
  1. 建一个外部表,名为t11,只有四个字段:
create external table t11 (name string, age int, province string, city string) 
row format delimited 
fields terminated by ',' 
location '/data/external_t11';
  1. 创建名为011.txt的文件,内容如下:
tom,11,guangdong,guangzhou
jerry,12,guangdong,shenzhen
tony,13,shanxi,xian
john,14,shanxi,hanzhong
  1. 011.txt中的四条记录载入表t11
load data 
local inpath '/home/hadoop/temp/202010/25/011.txt' 
into table t11;
  1. 接下来要,先创建动态分区表t12,再把t11表的数据添加到t12中;
  2. t12的建表语句如下,按照province+city分区:
create table t12 (name string, age int) 
partitioned by (province string, city string)
row format delimited 
fields terminated by ',';
  1. 执行以下操作,即可将t11的所有数据写入动态分区表t12,注意,要用overwrite
insert overwrite table t12 
partition(province, city) 
select name, age, province, city from t11;
  1. 通过hdfs查看文件夹,可见一级和二级子目录都符合预期:

hive学习笔记之四:分区表
11. 最后检查二级子目录下的数据文件,可以看到该分区下的记录:

[hadoop@node0 bin]$ ./hadoop fs -cat /user/hive/warehouse/t12/province=guangdong/city=guangzhou/000000_0
tom,11

至此,分区表的学习就完成了,希望能给您一些参考;

你不孤单,欣宸原创一路相伴

  1. java系列
  2. spring系列
  3. docker系列
  4. devops系列

欢迎关注公众号:程序员欣宸

微信搜索「程序员欣宸」,我是欣宸,期待与您一同畅游java世界...