Hive学习之Hive数据类型

        Hive到0.13.0版本为止已经支持越来越多的数据类型，像传统数据库中的VCHAR、CHAR、DATE以及所特有的复合类型MAP、STRUCT等。Hive中的数据类型可以分为数值类型、字符串类型、日期时间类型、复合类型以及其它类型，下面分别予以介绍。

数值类型

        Hive中的数值类型与Java中的数值类型很相似，区别在于有些类型的名称不一样，可以概括为如下的表格：

类型名称	大小	最小值	最大值	示例
TINYINT	1字节	-128	127	45Y
SMALLINT	2字节	-32768	32767	100S
INT	4字节	-2,147,483,648	2,147,483,647	36
BIGINT	8字节	-9,223,372,036,854,775,808	9,223,372,036,854,775,807	2000L
FLOAT	4字节	--	---	4字节单精度
DOUBLE	8字节	--	--	8字节双精度
DECIMAL	--	--	--	DECIMAL(9, 7)

        默认情况下，整数常量被当做INT处理，除非整数常量超出了INT类型的取值范围或者在整数常量跟着Y、S、L等后缀，则常量将会作为TINYINT、SMALLINT和BIGINT处理。Hive中的浮点数常量默认被当做DOUBLE类型。

        DECIMAL类型是在Hive-0.11.0版本中引入的，在Hive-0.13.0版本中做了改进。Hive中的DECIMAL基于Java中的BigDecimal，BigDecimal用于表示任意精度的不可修改的十进制数字。所有常规数字操作符（如+、-、*、/）和相关的UDFs（如Floor、Ceil、Round等）用于处理DECIMAL类型，可以转换DECIMAL为其它数值类型或者将其它基本类型转换为DECIMAL。DECIMAL类型支持科学计数法，所以不管数据集中是否包含1E+44或者4000或者二者的组合，都可以使用DECIMAL表示。Hive-0.11.0和Hive-0.12.0固定了DECIMAL类型的精度并限制为38位数字，从Hive-0.13.0开始可以指定DECIMAL的规模和精度，当使用DECIMAL类型创建表时可以使用DECIMAL(precision,scale)语法。例如：

create table decimal_test (d decimal);

        可以使用LazySimpleSerDe和LazyBinarySerDe读写包含DECIMAL类型的表，如：

alter table decimal_1 set serde 'org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe';
alter table decimal_1 set serde 'org.apache.hadoop.hive.serde2.lazy.LazyBinarySerDe';

        可以使用cast在DECIMAL和其它基本类型，如INT、DOUBLE、BOOLEAN之间转换，如：

Select cast(d asboolean) from decimal_test;

        DECIMAL类型比DOUBLE类型为浮点数提供了精确的数值和更广的范围，DECIMAL类型存储了数值的精确地表示，而DOUBLE类型存储了非常接近数值的近似值。当DOUBLE类型的近似值精度不够时可以使用DECIMAL类型，比如金融应用，等于和不等于检查以及舍入操作，当数值超出了DOUBLE类型的范围（大约-10³⁰⁸ to 10³⁰⁸）或者非常接近于0（-10^-308 to 10^-308）时，也可以使用DECIMAL类型。

字符串类型

        字符串常量使用单引号或者双引号表示，Hive使用C语言风格对字符串进行转义。Hive-0.12.0版本引入了VARCHAR类型，VARCHAR类型使用长度指示器（1到65355）创建，长度指示器定义了在字符串中允许的最大字符数量。如果一个字符串值转换为或者被赋予一个varchar值，其长度超过了长度指示器则该字符串值会自动被截断。目前还没有通用的UDF可以直接用于VARCHAR类型，可以使用String UDF代替，VARCHAR将会转换为String再传递给UDF。Hive-0.13.0版本引入了CHAR类型，CHAR类型与VARCHAR类型相似，但拥有固定的长度，也就是如果字符串长度小于指示器的长度则使用空格填充。CHAR类型的最大长度为255。使用VARCHAR、CHAR创建表的例子如下：

CREATE TABLE test(c CHAR(10), vc VARCHAR(30));

日期/时间类型

        Hive支持带可选的纳秒级精度的UNIX timestamp。Hive中的timestamp与时区无关，存储为UNIX纪元的偏移量。Hive提供了用于timestamp和时区相互转换的便利UDF：to_utc_timestamp和 from_utc_timestamp。Timestamp类型可以使用所有的日期时间UDF，如month、day、year等。文本文件中的Timestamp必须使用yyyy-mm-dd hh:mm:ss[.f...]的格式，如果使用其它格式，将它们声明为合适的类型（INT、FLOAT、STRING等）并使用UDF将它们转换为Timestamp。Timestamp支持的类型转换为：

1.   整数类型：转换为秒级的UNIX时间戳。
2.   浮点数类型：转换为带小数精度的UNIX时间戳。
3.   字符串类型：适合java.sql.Timestamp格式"YYYY-MM-DD HH:MM:SS.fffffffff"（9位小数精度）。

        Hive中DATE类型的值描述了特定的年月日，以YYYY-­MM-­DD格式表示，例如2014-05-29。DATE类型不包含时间，所表示日期的范围为0000-­01-­01 to 9999-­12-­31。DATE类型仅可与DATE、TIMESTAMP、STRING类型相互转化，如下表所示：

类型转换	结果
cast(date as date)	相同的日期。
cast(timestamp as date)	基于本地时区确定timestamp的年月日作为值返回。
cast(string as date)	如果字符串的格式为'YYYY-MM-DD', 则对应的年月日返回。如果字符串不是该格式，则返回NULL。
cast(date as timestamp)	基于本地时区，返回日期对应午夜时间。
cast(date as string)	日期被转换为'YYYY-MM-DD'格式的字符串。

复合类型

        Hive支持4种复合数据类型，分别为：

1.   Array：ARRAY<data_type>
2.   Map：MAP<primitive_type, data_type>
3.   Struct： STRUCT<col_name : data_type [COMMENT col_comment], ...>
4.   Union：UNIONTYPE<data_type, data_type, ...>

        UNIONTYPE类型可以在任何一个点精确地持有它所指定数据类型的一种，使用UNIONTYPE的例子如下：

CREATE TABLEunion_test(u UNIONTYPE<int, double, array<string>,struct<a:int,b:string>>);
SELECT u FROMunion_test;
{0:1}
{1:2.0}
{2:["three","four"]}
{3:{"a":5,"b":"five"}}
{2:["six","seven"]}
{3:{"a":8,"b":"eight"}}
{0:9}
{1:10.0}

        在该例子中，union包含四种类型，分别为int、double、array和struct。从查询结果来看，第一个冒号前面的数字tag代表union中某种数据类型，比如0代表union的第一个数据类型int，1代表第二个数据类型double，2代表第三个数据类型array，3代表第四个数据类型struct。

        可以使用create_union UDF创建该类型，在使用该UDF时必须将数字tag传递给该函数。

其它类型

        Hive支持的其它类型有BOOLEAN和BINARY>。