Hive内部表外部表转化分析

 

 转：http://anyoneking.com/archives/127

hive表分为内部表和外部表。
外部表在删除的时候并不会删除到hdfs中的文件，比较安全，所以对于重要的需要进行分析的日志建议使用外部表进行操作，这样不会出现误操作影响到日志的存储。
内部表在阐述的时候会删除掉hdfs中的文件，所以一般用于创建临时表，这样临时表在删除后，也会删除掉hdfs中的数据。

今天这里主要是对内部表转化为外部表进行相关的实验。

试验一：
建立内部表，导入数据。将内部表修改为外部表，删除该表。查看是否会删除掉hdfs中的数据。

SQL |

复制 |

?

01
02	//创建内部表
03	CREATE TABLE tmp.pvlog(ip STRING,CURRENT_DATE STRING,userinfo STRING)
04	partitioned BY(ptDate STRING) ROW format delimited FIELDS TERMINATED BY '\t' ;
05	//上传数据
06	LOAD DATA LOCAL INPATH '/home/user/logs/log2012-08-14.txt' INTO TABLE tmp.pvlog partition(ptdate='2012-08-14');
07	LOAD DATA LOCAL INPATH '/home/user/logs/log2012-08-15.txt' INTO TABLE tmp.pvlog partition(ptdate='2012-08-15');
08	//修改为外部表
09	USE tmp ;
10	ALTER TABLE pvlog SET TBLPROPERTIES ('EXTERNAL'='TRUE');
11	//查询
12	SELECT ptdate,COUNT(1) FROM tmp.pvlog  GROUP BY ptdate ;
13	能查询出数据
14	//删除该表
15	DROP TABLE pvlog ;
16	//查询hdfs中的数据
17	bin/hadoop dfs -ls /USER/hive/warehouse/tmp.db/pvlog/ptdate=*
18	能查询到数据。
19	ALTER TABLE pvlog ADD partition(ptdate='2012-08-14');
20	ALTER TABLE pvlog ADD partition(ptdate='2012-08-15');
21

结论：hdfs中的数据不会被删除。
试验二：
建立内部表，将内部表修改为外部表，通过load data 导入数据。看外部表是否能通过loaddata的方式关联到hdfs。

SQL |

复制 |

?

01
02	//创建内部表
03	CREATE TABLE tmp.pvlog(ip STRING,CURRENT_DATE STRING,userinfo STRING)
04	partitioned BY(ptDate STRING) ROW format delimited FIELDS TERMINATED BY '\t' ;
05	//修改为外部表
06	USE tmp ;
07	ALTER TABLE pvlog SET TBLPROPERTIES ('EXTERNAL'='TRUE');
08	//上传数据
09	LOAD DATA LOCAL INPATH '/home/user/logs/log2012-08-14.txt' INTO TABLE tmp.pvlog partition(ptdate='2012-08-14');
10	LOAD DATA LOCAL INPATH '/home/user/logs/log2012-08-15.txt' INTO TABLE tmp.pvlog partition(ptdate='2012-08-15');
11	//
12	//查询
13	SELECT ptdate,COUNT(1) FROM tmp.pvlog  GROUP BY ptdate ;
14	能查询出数据
15

结论：
    1.hdfs中数据可以正常导入。
    2.外部表的分区与hdfs的映射关系还是同内部表一样，可以正常建立。不用额外的执行add partition来建立连接。
    3.但是他不会重新维护在删除外部表前已经存在的mapping关系。所以在本实验中，查询分区数据信息只会出现度假的数据。

实验三：
创建外部表，通过hadoop的hdfs上传文件，并以hive增加分区的方式来访问数据，看是否能正常访问到数据。

SQL |

复制 |

?

01
02	//创建内部表
03	CREATE TABLE tmp.pvlog(ip STRING,CURRENT_DATE STRING,userinfo STRING)
04	partitioned BY(ptDate STRING) ROW format delimited FIELDS TERMINATED BY '\t' ;
05	//修改为外部表
06	USE tmp ;
07	ALTER TABLE pvlog SET TBLPROPERTIES ('EXTERNAL'='TRUE');
08	//上传数据
09	bin/hadoop dfs -mkdir /USER/hive/warehouse/tmp.db/pvlog/ptdate=2012-08-14
10	bin/hadoop dfs -mkdir /USER/hive/warehouse/tmp.db/pvlog/ptdate=2012-08-15
11	bin/hadoop dfs -put /home/USER/logs/pvlog2012-08-14.txt /USER/hive/warehouse/tmp.db/pvlog/ptdate=2012-08-14
12	bin/hadoop dfs -put /home/USER/logs/pvlog2012-08-15.txt /USER/hive/warehouse/tmp.db/pvlog/ptdate=2012-08-15
13	//增加分区mapping
14	ALTER TABLE pvlog ADD partition(ptdate='2012-08-14');
15	ALTER TABLE pvlog ADD partition(ptdate='2012-08-15');
16	继续查询
17	SELECT ptdate,ptchannel,COUNT(1) FROM tmp.pvlog GROUP BY ptdate,ptchannel ;
18	可以查询到数据
19

结论：我们也可以通过hdfs上传文件，同时手动建立分区映射关系。来导入数据。

整体结论：
    1.外部表远比内部表更加安全。而且上传数据的方式与以前相同，不需要修改以前的逻辑。
    2.如果外部表被错误删除，则需要重新建表，及重新创建分区与数据的映射关系。