Spark如何读写hive

原文引自：http://blog.csdn.net/zongzhiyuan/article/details/78076842

hive数据表建立可以在hive上建立，或者使用hiveContext.sql（“create table ...."）

1） 写入hive表

1. case class Person(name:String,col1:Int,col2:String)
2. val sc = new org.apache.spark.SparkContext
3. val hiveContext = new org.apache.spark.sql.hive.HiveContext(sc)
4. import hiveContext.implicits._
5. hiveContext.sql("use DataBaseName")
6. val data = sc.textFile("path").map(x=>x.split("\\s+")).map(x=>Person(x(0),x(1).toInt,x(2)))
7. data.toDF().insertInto("tableName")

2）写入hive分区中

1. case class Person(name:String,col1:Int,col2:String)
2. val sc = new org.apache.spark.SparkContext
3. val hiveContext = new org.apache.spark.sql.hive.HiveContext(sc)
4. import hiveContext.implicits._
5. hiveContext.sql("use DataBaseName")
6. val data = sc.textFile("path").map(x=>x.split("\\s+")).map(x=>Person(x(0),x(1).toInt,x(2)))
7. data.toDF().registerTempTable("table1")
8. hiveContext.sql("insert into table2 partition(date='2015-04-02') select name,col1,col2 from table1")

将数据写入分区表的思路是：首先将DataFrame数据写入临时表，之后是由hiveContext.sql语句将数据写入hive分区表中。

3）优化

将文件存为符合hive table文件的格式，然后使用hive load将产生的结果文件直接move到指定目录下。代码如下：

1. result.rdd.map { r => r.mkString("\001") }.repartition(partitions).saveAsTextFile(output_tmp_dir)
2. sql(s"""load data inpath '$output_tmp_dir' overwrite into table $output partition (dt='$dt')""")

hive column默认分隔符在scala/java中的表示为“/001”，r.mkString("/001")既是将column以分隔符/001进行分割，hive在导入时会自动识别。
使用hive load data命令，将hdfs文件load到hive表中。后台操作为直接将目录下的文件移到hive table所在目录，所以只是hdfs move数据的过程，执行非常快。

需要注意的是，此处要求hive建表时，以textfile格式建表。

参考：

http://blog.csdn.net/zgc625238677/article/details/53928320

如果是命令行操作，可以参考http://blog.csdn.net/fansy1990/article/details/53401102

《如何解决spark写hive慢的问题》http://blog.csdn.net/lulynn/article/details/51543567