Hive数据导入——数据存储在Hadoop分布式文件系统中，往Hive表里面导入数据只是简单的将数据移动到表所在的目录中！

转自：http://blog.csdn.net/lifuxiangcaohui/article/details/40588929

Hive数据导入——数据存储在Hadoop分布式文件系统中，往Hive表里面导入数据只是简单的将数据移动到表所在的目录中！

转自：http://blog.csdn.net/lifuxiangcaohui/article/details/40588929

Hive是基于Hadoop分布式文件系统的，它的数据存储在Hadoop分布式文件系统中。Hive本身是没有专门的数据存储格式，也没有为数据建立索引，只需要在创建表的时候告诉Hive数据中的列分隔符和行分隔符，Hive就可以解析数据。所以往Hive表里面导入数据只是简单的将数据移动到表所在的目录中！

Hive的几种常见的数据导入方式
这里介绍四种：
（1）、从本地文件系统中导入数据到Hive表；
（2）、从HDFS上导入数据到Hive表；
（3）、从别的表中查询出相应的数据并导入到Hive表中；
（4）、在创建表的时候通过从别的表中查询出相应的记录并插入到所创建的表中。

Hive提供的默认文件存储格式有textfile、sequencefile、rcfile等。用户也可以通过实现接口来自定义输入输的文件格式。

在实际应用中，textfile由于无压缩，磁盘及解析的开销都很大，一般很少使用。Sequencefile以键值对的形式存储的二进制的格式，其支持针对记录级别和块级别的压缩。rcfile是一种行列结合的存储方式（text file和sequencefile都是行表[row table]），其保证同一条记录在同一个hdfs块中，块以列式存储。一般而言，对于OLTP而言，行表优势大于列表，对于OLAP而言，列表的优势大于行表，特别容易想到当做聚合操作时，列表的复杂度将会比行表小的多，虽然单独rcfile的列运算不一定总是存在的，但是rcfile的高压缩率确实减少文件大小，因此实际应用中，rcfile总是成为不二的选择，达观数据平台在选择文件存储格式时也大量选择了rcfile方案。

一、从本地文件系统中导入数据到Hive表

先在Hive里面创建好表，如下：

1. hive> create table wyp
2.     > (id int, name string,
3.     > age int, tel string)
4.     > ROW FORMAT DELIMITED
5.     > FIELDS TERMINATED BY ' '
6.     > STORED AS TEXTFILE;
7. OK
8. Time taken: 2.832 seconds

复制代码

这个表很简单，只有四个字段，具体含义我就不解释了。本地文件系统里面有个/home/wyp/wyp.txt文件，内容如下：

1. [wyp@master ~]$ cat wyp.txt
2. 1       wyp     25      13188888888888
3. 2       test    30      13888888888888
4. 3       zs      34      899314121

复制代码

wyp.txt文件中的数据列之间是使用 分割的，可以通过下面的语句将这个文件里面的数据导入到wyp表里面，操作如下：

1. hive> load data local inpath 'wyp.txt' into table wyp;
2. Copying data from file:/home/wyp/wyp.txt
3. Copying file: file:/home/wyp/wyp.txt
4. Loading data to table default.wyp
5. Table default.wyp stats:
6. [num_partitions: 0, num_files: 1, num_rows: 0, total_size: 67]
7. OK
8. Time taken: 5.967 seconds

复制代码

这样就将wyp.txt里面的内容导入到wyp表里面去了，可以到wyp表的数据目录下查看，如下命令：

1. hive> dfs -ls /user/hive/warehouse/wyp ;
2. Found 1 items
3. -rw-r--r--3 wyp supergroup 67 2014-02-19 18:23 /hive/warehouse/wyp/wyp.txt

复制代码

需要注意的是：

和我们熟悉的关系型数据库不一样，Hive现在还不支持在insert语句里面直接给出一组记录的文字形式，也就是说，Hive并不支持INSERT INTO …. VALUES形式的语句。

二、HDFS上导入数据到Hive表

　　从本地文件系统中将数据导入到Hive表的过程中，其实是先将数据临时复制到HDFS的一个目录下（典型的情况是复制到上传用户的HDFS home目录下,比如/home/wyp/），然后再将数据从那个临时目录下移动（注意，这里说的是移动，不是复制！）到对应的Hive表的数据目录里面。既然如此，那么Hive肯定支持将数据直接从HDFS上的一个目录移动到相应Hive表的数据目录下，假设有下面这个文件/home/wyp/add.txt，具体的操作如下：

1. [wyp@master /home/q/hadoop-2.2.0]$ bin/hadoop fs -cat /home/wyp/add.txt
2. 5       wyp1    23      131212121212
3. 6       wyp2    24      134535353535
4. 7       wyp3    25      132453535353
5. 8       wyp4    26      154243434355

复制代码

上面是需要插入数据的内容，这个文件是存放在HDFS上/home/wyp目录（和一中提到的不同，一中提到的文件是存放在本地文件系统上）里面，我们可以通过下面的命令将这个文件里面的内容导入到Hive表中，具体操作如下：

1. hive> load data inpath '/home/wyp/add.txt' into table wyp;
2. Loading data to table default.wyp
3. Table default.wyp stats:
4. [num_partitions: 0, num_files: 2, num_rows: 0, total_size: 215]
5. OK
6. Time taken: 0.47 seconds
8. hive> select * from wyp;
9. OK
10. 5       wyp1    23      131212121212
11. 6       wyp2    24      134535353535
12. 7       wyp3    25      132453535353
13. 8       wyp4    26      154243434355
14. 1       wyp     25      13188888888888
15. 2       test    30      13888888888888
16. 3       zs      34      899314121
17. Time taken: 0.096 seconds, Fetched: 7 row(s)

复制代码

从上面的执行结果我们可以看到，数据的确导入到wyp表中了！请注意load data inpath ‘/home/wyp/add.txt’ into table wyp;里面是没有local这个单词的，这个是和一中的区别。

三、从别的表中查询出相应的数据并导入到Hive表中

假设Hive中有test表，其建表语句如下所示：

1. hive> create table test(
2.     > id int, name string
3.     > ,tel string)
4.     > partitioned by
5.     > (age int)
6.     > ROW FORMAT DELIMITED
7.     > FIELDS TERMINATED BY ' '
8.     > STORED AS TEXTFILE;
9. OK
10. Time taken: 0.261 seconds

复制代码

大体和wyp表的建表语句类似，只不过test表里面用age作为了分区字段。对于分区，这里在做解释一下：

分区：在Hive中，表的每一个分区对应表下的相应目录，所有分区的数据都是存储在对应的目录中。比如wyp表有dt和city两个分区，则对应dt=20131218,city=BJ对应表的目录为/user/hive/warehouse/dt=20131218/city=BJ，所有属于这个分区的数据都存放在这个目录中。

下面语句就是将wyp表中的查询结果并插入到test表中：

1. hive> insert into table test
2.     > partition (age='25')
3.     > select id, name, tel
4.     > from wyp;
5. #####################################################################
6.            这里输出了一堆Mapreduce任务信息，这里省略
7. #####################################################################
8. Total MapReduce CPU Time Spent: 1 seconds 310 msec
9. OK
10. Time taken: 19.125 seconds
12. hive> select * from test;
13. OK
14. 5       wyp1    131212121212    25
15. 6       wyp2    134535353535    25
16. 7       wyp3    132453535353    25
17. 8       wyp4    154243434355    25
18. 1       wyp     13188888888888  25
19. 2       test    13888888888888  25
20. 3       zs      899314121       25
21. Time taken: 0.126 seconds, Fetched: 7 row(s)

复制代码

这里做一下说明：
我们知道我们传统数据块的形式insert into table values（字段1，字段2），这种形式hive是不支持的。

通过上面的输出，我们可以看到从wyp表中查询出来的东西已经成功插入到test表中去了！如果目标表（test）中不存在分区字段，可以去掉partition (age=’25′)语句。当然，我们也可以在select语句里面通过使用分区值来动态指明分区：

1. hive> set hive.exec.dynamic.partition.mode=nonstrict;
2. hive> insert into table test
3.     > partition (age)
4.     > select id, name,
5.     > tel, age
6.     > from wyp;
7. #####################################################################
8.            这里输出了一堆Mapreduce任务信息，这里省略
9. #####################################################################
10. Total MapReduce CPU Time Spent: 1 seconds 510 msec
11. OK
12. Time taken: 17.712 seconds
15. hive> select * from test;
16. OK
17. 5       wyp1    131212121212    23
18. 6       wyp2    134535353535    24
19. 7       wyp3    132453535353    25
20. 1       wyp     13188888888888  25
21. 8       wyp4    154243434355    26
22. 2       test    13888888888888  30
23. 3       zs      899314121       34
24. Time taken: 0.399 seconds, Fetched: 7 row(s)

复制代码

这种方法叫做动态分区插入，但是Hive中默认是关闭的，所以在使用前需要先把hive.exec.dynamic.partition.mode设置为nonstrict。当然，Hive也支持insert overwrite方式来插入数据，从字面我们就可以看出，overwrite是覆盖的意思，是的，执行完这条语句的时候，相应数据目录下的数据将会被覆盖！而insert into则不会，注意两者之间的区别。例子如下：

1. hive> insert overwrite table test
2.     > PARTITION (age)
3.     > select id, name, tel, age
4.     > from wyp;

复制代码

更可喜的是，Hive还支持多表插入，什么意思呢？在Hive中，我们可以把insert语句倒过来，把from放在最前面，它的执行效果和放在后面是一样的，如下：

1. hive> show create table test3;
2. OK
3. CREATE  TABLE test3(
4.   id int,
5.   name string)
6. Time taken: 0.277 seconds, Fetched: 18 row(s)
8. hive> from wyp
9.     > insert into table test
10.     > partition(age)
11.     > select id, name, tel, age
12.     > insert into table test3
13.     > select id, name
14.     > where age>25;
16. hive> select * from test3;
17. OK
18. 8       wyp4
19. 2       test
20. 3       zs
21. Time taken: 4.308 seconds, Fetched: 3 row(s)

复制代码

可以在同一个查询中使用多个insert子句，这样的好处是我们只需要扫描一遍源表就可以生成多个不相交的输出。这个很酷吧！

四、在创建表的时候通过从别的表中查询出相应的记录并插入到所创建的表中

在实际情况中，表的输出结果可能太多，不适于显示在控制台上，这时候，将Hive的查询输出结果直接存在一个新的表中是非常方便的，我们称这种情况为CTAS（create table .. as select）如下：

1. hive> create table test4
2.     > as
3.     > select id, name, tel
4.     > from wyp;
6. hive> select * from test4;
7. OK
8. 5       wyp1    131212121212
9. 6       wyp2    134535353535
10. 7       wyp3    132453535353
11. 8       wyp4    154243434355
12. 1       wyp     13188888888888
13. 2       test    13888888888888
14. 3       zs      899314121
15. Time taken: 0.089 seconds, Fetched: 7 row(s)

复制代码

数据就插入到test4表中去了，CTAS操作是原子的，因此如果select查询由于某种原因而失败，新表是不会创建的！