分区和桶：
分区:可以提高查询的效率，只扫描固定范围数据，不用全部扫描
CREATE TABLE logs (ts BIGINT, lineSTRING) PARTITIONED BY (dt STRING, country STRING);
通过关键字PARTITIONED BY 定义分区表
LOAD DATA LOCAL INPATH '/home/data/file1'
INTO TABLE logs
PARTITION (dt='2001-01-01',country='GB');
加载数据到分区表的时候，分区字段的值需要被明确指定。
当在导入一些数据，可以看到Hive分区表的目录结构：
/user/hive/warehouse/logs
├── dt=2001-01-01/
│├── country=GB/
││ ├── file1
││ └── file2
│└── country=US/
│└── file3
└── dt=2001-01-02/
├── country=GB/
│└── file4
└── country=US/
├── file5
└── file6
查看分区表的分区信息：
hive> SHOW PARTITIONS logs;
dt=2001-01-01/country=GB
dt=2001-01-01/country=US
dt=2001-01-02/country=GB
dt=2001-01-02/country=US
只查跟该分区相关的信息：
SELECT ts, dt, line
FROM logs
WHERE country='GB';
桶表：
组织表或者分区表为桶表的两个原因：
1. 提高查询效率针对Map join
2. 使取样更高效
创建桶表：
CREATE TABLE bucketed_users (id INT,name STRING)
CLUSTERED BY (id) INTO 4 BUCKETS;
指明分桶的列和数量
CREATE TABLE bucketed_users (id INT,name STRING)
CLUSTERED BY (id) SORTED BY (id ASC)INTO 4 BUCKETS;
排序使Map join更加高效
创建users表
CREATE TABLE users (id int, name String )
ROW FORMAT DELIMITED
FIELDS TERMINATED BY '\t';
导入测试数据：
LOAD DATA LOCAL INPATH '/home/data/users.txt'
OVERWRITE INTO TABLE users ;
为了hive识别创建表时定义的桶的数量设置 hive.enforce.bucketing属性为true.
set hive.enforce.bucketing=true
将users表的数据导入：
INSERT OVERWRITE TABLE bucketed_users
SELECT * FROM users
通过hadoop dfs -ls /user/hive/warehouse/bucketed_users; 查看可以知道每个桶代表一个文件，4个桶就是4个文件。
每个桶有一部分数据
通过以下命令查看：
hive> dfs -cat/user/hive/warehouse/bucketed_users/000000_0;
0Nat
4Ann
TABLESAMPLE 取样数据 返回表的1/4
hive> SELECT * FROM bucketed_users
> TABLESAMPLE(BUCKET 1 OUT OF 4 ON id);
4 Ann
0 Nat
返回表数据的1/2
hive> SELECT * FROM bucketed_users
> TABLESAMPLE(BUCKET 1 OUT OF 2 ON id);
4 Ann
0 Nat
2 Joe
如果对没有分桶的表进行取样，使用rand()函数，即使只是取样一部分数据，也会扫描整个数据集。
hive> SELECT * FROM users
> TABLESAMPLE(BUCKET 1 OUT OF 4 ONrand());
2 Joe
存储格式：
默认的存储方式：Delimited text 分隔符是Ctrl-A
因此CREATE TABLE ...;就相当于
CREATE TABLE ...
ROW FORMAT DELIMITED
FIELDS TERMINATED BY '\001'
COLLECTION ITEMS TERMINATED BY '\002'
MAP KEYS TERMINATED BY '\003'
LINES TERMINATED BY '\n'
STORED AS TEXTFILE;
Binary storage formats: Sequence files,Avro datafiles, Parquet files, RCFiles, and ORCFiles
二进制格式分为：面向列的格式和面向行的格式
面向列的格式处理表里列少的情况，面向行的格式处理单行里列比较多的情况。
Hive支持的面向行的两种格式：Avrodatafiles、sequence files
表被存储成Avro格式：
SET hive.exec.compress.output=true;
SET avro.output.codec=snappy;
CREATE TABLE ... STORED AS AVRO;
Hive支持的面向列的格式：Parquet,RCFile, and ORCFile
创建一个副本表使用PARQUET格式：
CREATE TABLE users_parquet STORED ASPARQUET
AS
SELECT * FROM users;
自定义SerDe:RegexSerDe：
使用自定义SerDe加载数据，SerDe需要使用正则表达式
常用的正则表达式元字符：
| 代码 |
说明 |
| . |
匹配除换行符以外的任意字符 |
| \w |
匹配字母或数字或下划线或汉字 |
| \s |
匹配任意的空白符 |
| \d |
匹配数字 |
| \b |
匹配单词的开始或结束 |
| ^ |
匹配字符串的开始 |
| $ |
匹配字符串的结束 |
CREATE TABLE stations (usaf STRING, wbanSTRING, name STRING)
ROW FORMAT SERDE'org.apache.hadoop.hive.contrib.serde2.RegexSerDe'
WITH SERDEPROPERTIES (
"input.regex" = "(\\d{6})(\\d{5}) (.{29}) .*"
);
LOAD DATA LOCAL INPATH "/home/data/stations-fixed-width.txt"
INTO TABLE stations;
自定义SerDe 从文件里读固定宽度的位置的元信息，如果不是指定的宽度，该行记录为null。
自定义SerDe效率不高。
导数据：
inserts：
INSERT OVERWRITE TABLE target
SELECT col1, col2
FROM source;
分区表：
INSERT OVERWRITE TABLE target
PARTITION (dt='2001-01-01')
SELECT col1, col2
FROM source;
动态指定分区：
INSERT OVERWRITE TABLE target
PARTITION (dt)
SELECT col1, col2, dt
FROM source;
Hive里可以把From放到前面：
FROM source
INSERT OVERWRITE TABLE target
SELECT col1, col2;
多表插入更加高效，源表只扫描一次可产生不同的输出。
FROM records2
INSERT OVERWRITE TABLE stations_by_year
SELECT year, COUNT(DISTINCT station)
GROUP BY year
INSERT OVERWRITE TABLE records_by_year
SELECT year, COUNT(1)
GROUP BY year
INSERT OVERWRITE TABLE good_records_by_year
SELECT year, COUNT(1)
WHERE temperature != 9999 AND quality IN(0, 1, 4, 5, 9)
GROUP BY year;
一个源表records，三个不同的表通过查询同一张表获得数据。
CREATETABLE...AS SELECT：
CREATE TABLE target
AS
SELECT col1, col2
FROM source;
更改表：
重命名表名：
ALTER TABLE source RENAME TO target;
添加新的列：
ALTER TABLE target ADD COLUMNS (col3STRING);
由于hive不允许更新已经存在的记录数据，所以该方法一般的替代方案是重新创建新表CTAS。
删除表：
删除数据，对于外部表只删除元数据信息，数据遗留着。
DROP TABLE my_table;
删除所有数据但保存表的定义：
TRUNCATE TABLE my_table;
TRUNCATE不支持外部表，替代方案是dfs –rmr 直接删除外部表目录。
如果创建一个新的空表跟另一个表有相同模式使用like 关键字：
CREATE TABLE new_table LIKE existing_table;
查询数据：
hive> FROM records2
> SELECT year, temperature
> DISTRIBUTE BY year
> SORT BY year ASC, temperature DESC;
1949 111
1949 78
1950 22
1950 0
1950 -11
每个ReducerSORT BY 后都会产生一个文件。
DISTRIBUTE BY 控制给定年份的数据进入相同的reducer分区，如1950 年的进入相同Reducer分区