Hive插入数据详解

一、Hive插入数据概述

Apache Hive是一个数据仓库工具，可以处理大量数据并存储它们，同时提供了SQL查询功能，是一个用于数据仓库的数据处理软件。在Apache Hive中，可以使用插入语句将数据插入Hive表中。插入语句的基本语法如下：

INSERT INTO TABLE tablename [PARTITION (partcol1[=val1], partcol2[=val2], ...)]
    select_statement1
    [FROM from_statement]
    [WHERE where_statement]
    [GROUP BY col_list]
    [HAVING having_statement]
    [ORDER BY col_list]
    [LIMIT number];

其中，select_statement1是要插入到表中的数据，from_statement是从其他表中获取数据的SQL查询语句，where_statement、group by、having_statement是SQL查询语句的其他子句。

二、Hive插入数据三种方式

1. 插入数据到非分区表中

对于非分区表，可以使用常规的插入语句来插入数据。例如，创建一个student表，然后用insert语句将数据插入到该表中：

CREATE TABLE student (id INT, name STRING, age INT, gender STRING);
INSERT INTO student values (1, 'Tom', 23, 'M'),(2, 'Jerry', 22, 'F');

该命令将会创建一个student表，并向其中插入两条数据，id为1和2的学生信息。

2. 插入数据到分区表中

分区表是一种特殊的表格，在Hive中可以使用“PARTITIONED BY”关键字创建。分区是根据表中的一列进行的，列名通常是分区列名（即PARTITION BY的参数）。例如，创建一个分区表student，按照gender分区：

CREATE TABLE student (id INT, name STRING, age INT) PARTITIONED BY (gender STRING);
INSERT INTO student PARTITION (gender = 'M') values (1, 'Tom', 23);
INSERT INTO student PARTITION (gender = 'F') values (2, 'Jerry', 22);

该命令创建了一个学生表，共有3列，其中gender列是分区列。它使用INSERT INTO语句向分区表中插入两条数据，并指定gender列的值。分区列的值可以在插入数据时指定，也可以在创建表时指定。如果在插入数据时指定了分区列的值，则需要指定PARTITION关键字，否则就会查询失败。

3. 插入数据到动态分区表中

动态分区表是指在INSERT INTO语句中未显式指定分区，而是在WHERE子句中动态生成分区的表。例如，创建一个表student，分区列为gender，然后将所有年龄大于20的男性学生插入男性分区，所有年龄大于20的女性学生插入女性分区：

CREATE TABLE student (id INT, name STRING, age INT) PARTITIONED BY (gender STRING);
INSERT INTO student partition(gender)
    select id, name, age, gender from input_student where age > 20;

在这个例子中，INSERT INTO语句使用了查询语句的方式，从input_student表中选择年龄大于20的学生，并将他们插入到gender分区中。

三、Hive插入数据优化

1. 使用Buckets

Bucket是指将相似的行分配到一起的方法，通常基于某个列的哈希值进行分割。Bucket有助于优化针对某些列的数据查询，以及启用跨列优化功能。

可以在创建表时为其指定Bucket参数，如下所示：

CREATE TABLE student (id INT, name STRING, age INT) bucketed by(id) into 4 buckets;

这条命令创建一个student表，并指定将数据分成4个Bucket。在插入数据时，Hive会根据指定列的哈希值自动确定数据行属于哪个Bucket。

2. 使用ORCFile格式

ORC是一种高效的列式存储文件格式，可以显著降低I/O成本，提高查询效率。

在创建表时，可以选择使用ORCFile格式。如下所示：

CREATE TABLE student (id INT, name STRING, age INT) STORED AS ORC;

这条命令创建了一个student表，并将其数据格式设置为ORCFile格式。

3. 使用压缩

压缩是指将数据通过一定的算法进行压缩，以减少磁盘空间和I/O成本。

在创建表时，可以指定表的存储属性，如下所示：

CREATE TABLE student (id INT, name STRING, age INT) STORED AS ORC TBLPROPERTIES("orc.compress"="SNAPPY");

这条命令创建了一个student表，并将其数据格式设置为ORCFile格式，同时使用SNAPPY算法进行压缩。

四、Hive插入数据注意事项

1. 插入表的字段数量必须与查询中的字段数量一致

如果插入表中的字段数量与查询中的字段数量不一致，就会出现“Table not found”错误。

2. 插入的表必须存在

如果插入的表不存在，就会出现“Table not found”错误。

3. 插入的表必须与查询中的列具有相同的数据类型

如果插入表中的字段与查询中的字段具有不同的数据类型，就会出现类型不匹配的错误。

4. 插入的字段和查询中的字段必须有对应关系

插入表中的字段和查询中的字段必须是一一对应的。如果没有对应关系，就会出现“SerDeException”的错误。

5. 插入的字段必须按照顺序排列

插入表中的字段必须按照与查询中相同的顺序排列。如果插入表的字段顺序与查询中的字段顺序不同，就会出现类型不匹配的错误。

总结

本文通过对Hive插入数据的概述、插入数据的3种方式、Hive插入数据的优化、以及插入数据需要注意的事项等多个方面进行了详细的阐述。希望本文对您了解Hive插入数据有所帮助。