Hive - 表相关

一、文件存储格式

Hive的文件存储格式包括：textfile、sequence、rcfile、orc、parquet

textfile

（简介）默认的文件格式，基于行存储。建表时不指定存储格式即为textfile，导入数据时把数据文件拷贝到hdfs不进行处理。

（优点）便于和其他工具（pig，grep，sed，awk）共享数据，便于查看和编辑，加载较快。

（缺点）耗费存储空间，I/O性能较低；Hive不进行数据切分合并，不能进行并行操作，查询效率低。

（应用场景）适用于小型查询，查看具体数据内容的测试操作。

sequence

（简介）含有键值对的二进制文件，行存储。

（优点）可压缩、可分割，优化磁盘利用率和I/O；可并行操作数据，查询效率高。

（缺点）存储空间消耗最大；对于hadoop生态系统之外的工具不适用，需要通过text文件转化加载。

（应用场景）适用于数据量较小、大部分列的查询。

rcfile

（简介）行列式存储。先将数据按行分块，同一个record 在一个块上，避免读一条记录需要读多个 block；然后块数据列式存储。

（优点）可压缩，高效的列存取；查询效率较高。

（缺点）加载时性能消耗较大，需要通过 text 文件转化加载；读取全量数据性能低。

orc

（简介）优化后的 rcfile，行列式存储。

（优缺点）优缺点与rcfile类似，查询效率较高。

（应用场景）适用于hive中大型的存储、查询。

在2021到2023这三年的工作中，遇到最多的表的存储格式，但一般都是开启事务，即torc表。

parquet

（简介）列存储

（优点）更高效的压缩和编码；不与任何数据处理技术绑定，可用于多种数据处理框架（hive、Impala，Presto查询引擎；MR，Spark计算框架；Avro，Thrift，PB数据模型）。

（缺点）不支持 update，insert，delete，ACID

（应用场景）适用于字段数非常多，无更新，只取部分列的查询。

二、表的存储方式（管理方式）

外部表

默认创建的表即为外部表（建表语句如下）

create table table_name(
    id int,
    name string
)
-- 负载均衡
clustered by (id)
-- 桶
into 2 buckets
-- 记录行的分隔符
row format delimited
-- 记录列的分隔符
fields terminated by ','
-- 存储文件的格式：textfile是默认的，写与不写都是一样的
stored as orc   -- textfile 不支持事务,而orc支持事务
-- 表的属性
tblproperties("transactional"="true", -- 是否开启事务
    "compactor.mapreduce.map.memory.mb"="2048",
    "compactorthreshold.hive.compactor.delta.num.threshold"="4",
    "compactorthreshold.hive.compactor.delta.pct.threshold"="0.5"
)

内部表

与外部表的区别是，hive仅管理外部表的元数据，而不管理其在HDFS上的数据。（建表语句如下）

create external table table_name(
    id int,
    name string
)
-- 负载均衡
clustered by (id)
-- 桶
into 2 buckets
-- 记录行的分隔符
row format delimited
-- 记录列的分隔符
fields terminated by ','
-- 存储文件的格式：textfile是默认的，写与不写都是一样的
stored as orc   -- textfile 不支持事务,而orc支持事务
-- 表的属性
tblproperties("transactional"="true", -- 是否开启事务
    "compactor.mapreduce.map.memory.mb"="2048",
    "compactorthreshold.hive.compactor.delta.num.threshold"="4",
    "compactorthreshold.hive.compactor.delta.pct.threshold"="0.5"
)

很明显，从建表语句上看，创建内部表需要在create后面添加external关键字，两者的区别可以看下面的表格

drop table时	内部表（Managed Table）	外部表（External Table）
MySQL（元数据库）中的表结构和数据	会被删除	会被删除
HDFS中的记录（真实数据）	会被删除	仍然存在

三、建表的几种方式

create table as

• 这个命令主要用于根据查询结果创建新表，并复制原数据，也就是说，它会将查询结果作为新表的数据内容。
• create table as语句在创建新表的同时，也会填充数据。它实际上执行了查询操作，并将查询结构存储到新表中。
• 这种方式主要适用于需要快速复制数据并创建一个新表的情况。

create table like

• 这个命令用于创建一个与现有表结构相同的新表，但不会复制数据。新表会继承源表的表结构，包括索引和主键等。
• 要复制源表和数据到新表，需要使用insert into语句单独执行。
• create table like主要用于需要保留表结构但不需要复制数据的场景，比如备份表结构或者创建一个空的表结构用于后续的数据插入。

  总结来说，create table as和create table like的主要区别在于：

• • 前者（create table as）不仅创建新表，还复制原数据（列结构和数据和源表一致，但不包括源表其他属性：分区、存储格式等）
  • 后者（create table like）仅创建与源表结构相同的新表，不复制数据。
  • 根据具体的需求和场景，可以选择适合的创建表的方式。

  如果希望新表在各个方面（包括结构、数据、分区、存储格式等）都和源表一模一样，那么你需要首先使用create table like来创建结构相同的表，然后使用insert into语句来复制数据。同时，你可能还需要手动设置新表的分区和存储格式等属性，以确保它们与源表一致。

— 要养成终生学习的习惯 —