155 lines
9.0 KiB
Markdown
155 lines
9.0 KiB
Markdown
# Hive基本概念讲解
|
||
|
||
<nav>
|
||
<a href="#一数据类型">一、数据类型</a><br/>
|
||
<a href="#二文件格式">二、文件格式</a><br/>
|
||
<a href="#三存储格式">三、存储格式</a><br/>
|
||
</nav>
|
||
|
||
## 一、数据类型
|
||
|
||
### 1.1 基本数据类型
|
||
|
||
Hive表中的列支持以下基本数据类型：
|
||
|
||
| 大类 | 类型 |
|
||
| --------------------------------------- | ------------------------------------------------------------ |
|
||
| **Integers（整型）** | TINYINT—1字节的有符号整数 <br/>SMALLINT—2字节的有符号整数<br/> INT—4字节的有符号整数<br/> BIGINT—8字节的有符号整数 |
|
||
| **Boolean（布尔型）** | BOOLEAN—TRUE/FALSE |
|
||
| **Floating point numbers（浮点型）** | FLOAT— 单精度浮点型 <br/>DOUBLE—双精度浮点型 |
|
||
| **Fixed point numbers（定点数）** | DECIMAL—用户自定义精度定点数，比如DECIMAL(7,2) |
|
||
| **String types（字符串）** | STRING—指定字符集的字符序列<br/> VARCHAR—具有最大长度限制的字符序列 <br/>CHAR—固定长度的字符序列 |
|
||
| **Date and time types（日期时间类型）** | TIMESTAMP — 时间戳 <br/>TIMESTAMP WITH LOCAL TIME ZONE — 时间戳，纳秒精度<br/> DATE—日期类型 |
|
||
| **Binary types（二进制类型）** | BINARY—字节序列 |
|
||
|
||
>TIMESTAMP 和 TIMESTAMP WITH LOCAL TIME ZONE 的区别：
|
||
>
|
||
>+ TIMESTAMP WITH LOCAL TIME ZONE：用户提交时间给数据库时，该类型会转换成数据库的时区来保存。查询时则按照查询客户端的不同，转换为查询客户端所在的时区的时间。
|
||
>
|
||
>+ TIMESTAMP ：提交什么时间就保存什么时间，查询时也不做任何转换。
|
||
|
||
### 1.2 隐式转换
|
||
|
||
Hive中基本数据类型遵循以下的层次结构，按照这个层次结构，子类型到祖先类型允许隐式转换。例如INT类型的数据允许隐式转换为BIGINT类型。额外注意的是：按照类型层次结构允许将STRING类型隐式转换为DOUBLE类型。
|
||
|
||
<div align="center"> <img src="https://github.com/heibaiying/BigData-Notes/blob/master/pictures/hive-data-type.png"/> </div>
|
||
|
||
|
||
|
||
### 1.3 复杂类型
|
||
|
||
| 类型 | 描述 | 示例 |
|
||
| ---------- | ------------------------------------------------------------ | -------------------------------------- |
|
||
| **STRUCT** | 类似于对象，是字段的集合，字段的类型可以不同，可以使用 `名称.字段名`方式进行访问 | STRUCT ('xiaoming', 12 , '2018-12-12') |
|
||
| **MAP** | 键值对的集合，可以使用`名称[key]`的方式访问对应的值 | map('a', 1, 'b', 2) |
|
||
| **ARRAY** | 数组是一组具有相同类型和名称的变量的集合，可以使用`名称[index]`访问对应的值 | ARRAY('a', 'b', 'c', 'd') |
|
||
|
||
|
||
|
||
### 1.4 示例
|
||
|
||
如下给出一个基本数据类型和复杂数据类型的使用示例：
|
||
|
||
```sql
|
||
CREATE TABLE students(
|
||
name STRING, -- 姓名
|
||
age INT, -- 年龄
|
||
subject ARRAY<STRING>, --学科
|
||
score MAP<STRING,FLOAT>, --各个学科考试成绩
|
||
address STRUCT<houseNumber:int, street:STRING, city:STRING, province：STRING> --家庭居住地址
|
||
) ROW FORMAT DELIMITED FIELDS TERMINATED BY "\t";
|
||
```
|
||
|
||
|
||
|
||
## 二、内容格式
|
||
|
||
当数据存储在文本文件中，必须按照一定格式区别行和列，比如使用逗号作为分隔符的CSV文件(Comma-Separated Values)或者使用制表符作为分隔值的TSV文件(Tab-Separated Values)。但是使用这些字符作为分隔符的时候存在一个缺点，就是正常的文件内容中也可能出现逗号或者制表符。
|
||
|
||
所以Hive默认使用了几个平时很少出现的字符，这些字符一般不会作为内容出现在文件中。Hive默认的行和列分隔符如下表所示。
|
||
|
||
| 分隔符 | 描述 |
|
||
| ----------- | ------------------------------------------------------------ |
|
||
| **\n** | 对于文本文件来说，每行是一条记录，所以可以使用换行符来分割记录 |
|
||
| **^A (Ctrl+A)** | 分割字段(列)，在CREATE TABLE语句中也可以使用八进制编码 `\001` 来表示 |
|
||
| **^B** | 用于分割 ARRAY 或者 STRUCT 中的元素，或者用于 MAP 中键值对之间的分割，<br/>在CREATE TABLE语句中也可以使用八进制编码`\002` 表示 |
|
||
| **^C** | 用于 MAP 中键和值之间的分割，在CREATE TABLE语句中也可以使用八进制编码`\003` 表示 |
|
||
|
||
使用示例如下：
|
||
|
||
```sql
|
||
CREATE TABLE page_view(viewTime INT, userid BIGINT)
|
||
ROW FORMAT DELIMITED
|
||
FIELDS TERMINATED BY '\001'
|
||
COLLECTION ITEMS TERMINATED BY '\002'
|
||
MAP KEYS TERMINATED BY '\003'
|
||
STORED AS SEQUENCEFILE;
|
||
```
|
||
|
||
|
||
|
||
## 三、存储格式
|
||
|
||
### 3.1 支持的存储格式
|
||
|
||
Hive会在HDFS为每个数据库上创建一个目录，数据库中的表是该目录的子目录，表中的数据会以文件的形式存储在对应的表目录下。Hive支持以下几种文件存储格式：
|
||
|
||
| 格式 | 说明 |
|
||
| ---------------- | ------------------------------------------------------------ |
|
||
| **TextFile** | 存储为纯文本文件。 这是Hive默认的文件存储格式。这种存储方式数据不做压缩，磁盘开销大，数据解析开销大。 |
|
||
| **SequenceFile** | SequenceFile是Hadoop API提供的一种二进制文件，它将数据以<key,value>的形式序列化到文件中。这种二进制文件内部使用Hadoop的标准的Writable 接口实现序列化和反序列化。它与Hadoop API中的MapFile 是互相兼容的。Hive中的SequenceFile 继承自Hadoop API 的SequenceFile，不过它的key为空，使用value 存放实际的值，这样是为了避免MR 在运行map阶段的排序过程。 |
|
||
| **RCFile** | RCFile文件格式是FaceBook开源的一种Hive的文件存储格式，首先将表分为几个行组，对每个行组内的数据进行按列存储，每一列的数据都是分开存储。 |
|
||
| **ORC Files** | ORC是在一定程度上扩展了RCFile，是对RCFile的优化。 |
|
||
| **Avro Files** | Avro是一个数据序列化系统，设计用于支持大批量数据交换的应用。它的主要特点有：支持二进制序列化方式，可以便捷，快速地处理大量数据；动态语言友好，Avro提供的机制使动态语言可以方便地处理Avro数据。 |
|
||
| **Parquet** | Parquet就是基于Dremel的数据模型和算法实现的，面向分析型业务的列式存储格式。辅以按列的高效压缩和编码技术，实现降低存储空间，提高IO效率，降低上层应用延迟。 |
|
||
|
||
> 以上压缩格式中ORC和parquet的综合性能突出，使用较为广泛，推荐使用这两种格式。
|
||
|
||
### 3.2 指定存储格式
|
||
|
||
通常在创建表的时候使用`STORED AS`参数指定：
|
||
|
||
```sql
|
||
CREATE TABLE page_view(viewTime INT, userid BIGINT)
|
||
ROW FORMAT DELIMITED
|
||
FIELDS TERMINATED BY '\001'
|
||
COLLECTION ITEMS TERMINATED BY '\002'
|
||
MAP KEYS TERMINATED BY '\003'
|
||
STORED AS SEQUENCEFILE;
|
||
```
|
||
|
||
各个存储文件类型指定方式如下：
|
||
|
||
- STORED AS TEXTFILE
|
||
|
||
- STORED AS SEQUENCEFILE
|
||
|
||
- STORED AS ORC
|
||
|
||
- STORED AS PARQUET
|
||
|
||
- STORED AS AVRO
|
||
|
||
- STORED AS RCFILE
|
||
|
||
|
||
|
||
## 四、内部表和外部表
|
||
|
||
内部表又叫做管理表(Managed/Internal Table)，创建表时不做任何指定，默认创建的就是内部表。想要创建外部表(External Table)，则需要使用External进行修饰。 内部表和外部表主要区别如下：
|
||
|
||
| | 内部表 | 外部表 |
|
||
| ------------ | ------------------------------------------------------------ | ------------------------------------------------------------ |
|
||
| 数据存储位置 | 内部表数据存储的位置由hive.metastore.warehouse.dir参数指定，默认情况下表的数据存储在HDFS的`/user/hive/warehouse/数据库名.db/表名/` 目录下 | 外部表数据的存储位置创建表时由`Location`参数指定； |
|
||
| 导入数据 | 在导入数据到内部表，内部表将数据移动到自己的数据仓库目录下，数据的生命周期由Hive来进行管理 | 外部表不会将数据移动到自己的数据仓库目录下，只是在元数据中存储了数据的位置 |
|
||
| 删除表 | 删除元数据（metadata）和文件 | 只删除元数据（metadata） |
|
||
|
||
|
||
|
||
|
||
## 参考文档
|
||
|
||
1. [LanguageManual DDL](https://cwiki.apache.org/confluence/display/Hive/LanguageManual+DDL)
|
||
2. [LanguageManual Types](https://cwiki.apache.org/confluence/display/Hive/LanguageManual+Types)
|
||
3. [Managed vs. External Tables](https://cwiki.apache.org/confluence/display/Hive/Managed+vs.+External+Tables)
|