Spark SQL----CREATE TABLE
- 一、描述
- [二、创建 DATASOURCE 表](#二、创建 DATASOURCE 表)
-
- [2.1 描述](#2.1 描述)
- [2.2 语法](#2.2 语法)
- [2.3 参数](#2.3 参数)
- [2.4 数据源交互](#2.4 数据源交互)
- [2.5 例子](#2.5 例子)
- 三、创建HIVEFORMAT表
-
- [3.1 描述](#3.1 描述)
- [3.2 语法](#3.2 语法)
- [3.3 参数](#3.3 参数)
- [3.4 例子](#3.4 例子)
- [四、CREATE TABLE LIKE](#四、CREATE TABLE LIKE)
-
- [4.1 描述](#4.1 描述)
- [4.2 语法](#4.2 语法)
- [4.3 参数](#4.3 参数)
- [4.4 例子](#4.4 例子)
一、描述
CREATE TABLE语句用于在现有数据库中定义一个表。
二、创建 DATASOURCE 表
2.1 描述
CREATE TABLE语句使用数据源定义一个新表。
2.2 语法
sql
CREATE TABLE [ IF NOT EXISTS ] table_identifier
[ ( col_name1 col_type1 [ COMMENT col_comment1 ], ... ) ]
USING data_source
[ OPTIONS ( key1=val1, key2=val2, ... ) ]
[ PARTITIONED BY ( col_name1, col_name2, ... ) ]
[ CLUSTERED BY ( col_name3, col_name4, ... )
[ SORTED BY ( col_name [ ASC | DESC ], ... ) ]
INTO num_buckets BUCKETS ]
[ LOCATION path ]
[ COMMENT table_comment ]
[ TBLPROPERTIES ( key1=val1, key2=val2, ... ) ]
[ AS select_statement ]
注意,USING子句和AS SELECT子句之间的子句可以按任意顺序出现。例如,可以在TBLPROPERTIES后面写COMMENT表注释。
2.3 参数
- table_identifier
指定一个表名称,可以选择使用数据库名称对其进行限定。
语法:[database_name.]table_name - USING data_source
数据源是用于创建表的输入格式。数据源可以是CSV、TXT、ORC、JDBC、PARQUET等。 - OPTIONS
将被注入存储属性的数据源的选项。 - PARTITIONED BY
分区是根据指定的列在表上创建的。 - CLUSTERED BY
在表上创建的分区将根据指定的存储列被存储到固定的存储桶中。
注:Bucketing是一种优化技术,它使用bucket(和Bucketing列)来确定数据分区并避免数据shuffle。 - SORTED BY
指定bucket列的顺序。可选地,在SORTED BY子句中的任何列名之后,可以使用ASC表示升序,也可以使用DESC表示降序。如果未指定,则默认为ASC。 - INTO num_buckets BUCKETS
指定存储桶编号,该编号用于CLUSTERED BY子句。 - LOCATION
存储表数据的目录的路径,可以是分布式存储(如HDFS等)上的路径。 - COMMENT
用于描述表的字符串文字。 - TBLPROPERTIES
用于标记表定义的键值对列表。 - AS select_statement
该表是使用select语句中的数据填充的。
2.4 数据源交互
数据源表的作用类似于指向基础数据源的指针。例如,你可以使用JDBC数据源在Spark中创建一个表"foo",该表指向MySQL中的一个表"bar"。当你读/写表"foo"时,你实际上读/写了表"bar"。
一般来说,CREATE TABLE是在创建一个"指针",你需要确保它指向现有的东西。一个例外是文件源,如parquet、json。如果你没有指定LOCATION,Spark将为你创建一个默认的表位置。
对于CREATE TABLE AS SELECT with LOCATION,如果给定位置作为非空目录存在,Spark将抛出分析异常。如果spark.sql.legacy.allowNonEmptyLocationInCTAS设置为true,spark将用输入查询的数据覆盖基础数据源,以确保创建的表包含与输入查询完全相同的数据。
2.5 例子
sql
--Use data source
CREATE TABLE student (id INT, name STRING, age INT) USING CSV;
--Use data from another table
CREATE TABLE student_copy USING CSV
AS SELECT * FROM student;
--Omit the USING clause, which uses the default data source (parquet by default)
CREATE TABLE student (id INT, name STRING, age INT);
--Use parquet data source with parquet storage options
--The columns 'id' and 'name' enable the bloom filter during writing parquet file,
--column 'age' does not enable
CREATE TABLE student_parquet(id INT, name STRING, age INT) USING PARQUET
OPTIONS (
'parquet.bloom.filter.enabled'='true',
'parquet.bloom.filter.enabled#age'='false'
);
--Specify table comment and properties
CREATE TABLE student (id INT, name STRING, age INT) USING CSV
COMMENT 'this is a comment'
TBLPROPERTIES ('foo'='bar');
--Specify table comment and properties with different clauses order
CREATE TABLE student (id INT, name STRING, age INT) USING CSV
TBLPROPERTIES ('foo'='bar')
COMMENT 'this is a comment';
--Create partitioned and bucketed table
CREATE TABLE student (id INT, name STRING, age INT)
USING CSV
PARTITIONED BY (age)
CLUSTERED BY (Id) INTO 4 buckets;
--Create partitioned and bucketed table through CTAS
CREATE TABLE student_partition_bucket
USING parquet
PARTITIONED BY (age)
CLUSTERED BY (id) INTO 4 buckets
AS SELECT * FROM student;
--Create bucketed table through CTAS and CTE
CREATE TABLE student_bucket
USING parquet
CLUSTERED BY (id) INTO 4 buckets (
WITH tmpTable AS (
SELECT * FROM student WHERE id > 100
)
SELECT * FROM tmpTable
);
三、创建HIVEFORMAT表
3.1 描述
CREATE TABLE语句使用Hive格式定义一个新表。
3.2 语法
sql
CREATE [ EXTERNAL ] TABLE [ IF NOT EXISTS ] table_identifier
[ ( col_name1[:] col_type1 [ COMMENT col_comment1 ], ... ) ]
[ COMMENT table_comment ]
[ PARTITIONED BY ( col_name2[:] col_type2 [ COMMENT col_comment2 ], ... )
| ( col_name1, col_name2, ... ) ]
[ CLUSTERED BY ( col_name1, col_name2, ...)
[ SORTED BY ( col_name1 [ ASC | DESC ], col_name2 [ ASC | DESC ], ... ) ]
INTO num_buckets BUCKETS ]
[ ROW FORMAT row_format ]
[ STORED AS file_format ]
[ LOCATION path ]
[ TBLPROPERTIES ( key1=val1, key2=val2, ... ) ]
[ AS select_statement ]
请注意,列定义子句和AS SELECT子句之间的子句可以按任何顺序出现。例如,可以在TBLPROPERTIES之后编写COMMENT table_comment。
3.3 参数
- table_identifier
指定一个表名称,可以选择使用数据库名称对其进行限定。
语法:[ database_name. ] table_name - EXTERNAL
表是使用LOCATION提供的路径定义的,不使用此表的默认位置。 - PARTITIONED BY
分区是根据指定的列在表上创建的。 - CLUSTERED BY
在表上创建的分区将根据为分桶指定的列分桶为固定的分桶。
注:Bucketing是一种优化技术,它使用bucket(和Bucketing列)来确定数据分区并避免数据shuffle。 - SORTED BY
指定bucket列的顺序。可选地,在SORTED BY子句中的任何列名之后,可以使用ASC表示升序,也可以使用DESC表示降序。如果未指定,则默认为ASC。 - INTO num_buckets BUCKETS
指定存储桶编号,该编号用于CLUSTERED BY子句。 - row_format
指定输入和输出的行格式。有关更多语法详细信息,请参阅HIVE FORMAT。 - STORED AS
表存储的文件格式,可以是TEXTFILE、ORC、PARQUET等。 - LOCATION
存储表数据的目录的路径,可以是分布式存储(如HDFS等)上的路径。 - COMMENT
用于描述表的字符串文字。 - TBLPROPERTIES
用于标记表定义的键值对列表。 - AS select_statement
该表是使用select语句中的数据填充的。
3.4 例子
sql
--Use hive format
CREATE TABLE student (id INT, name STRING, age INT) STORED AS ORC;
--Use data from another table
CREATE TABLE student_copy STORED AS ORC
AS SELECT * FROM student;
--Specify table comment and properties
CREATE TABLE student (id INT, name STRING, age INT)
COMMENT 'this is a comment'
STORED AS ORC
TBLPROPERTIES ('foo'='bar');
--Specify table comment and properties with different clauses order
CREATE TABLE student (id INT, name STRING, age INT)
STORED AS ORC
TBLPROPERTIES ('foo'='bar')
COMMENT 'this is a comment';
--Create partitioned table
CREATE TABLE student (id INT, name STRING)
PARTITIONED BY (age INT)
STORED AS ORC;
--Create partitioned table with different clauses order
CREATE TABLE student (id INT, name STRING)
STORED AS ORC
PARTITIONED BY (age INT);
--Use Row Format and file format
CREATE TABLE student (id INT, name STRING)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ','
STORED AS TEXTFILE;
--Use complex datatype
CREATE EXTERNAL TABLE family(
name STRING,
friends ARRAY<STRING>,
children MAP<STRING, INT>,
address STRUCT<street: STRING, city: STRING>
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' ESCAPED BY '\\'
COLLECTION ITEMS TERMINATED BY '_'
MAP KEYS TERMINATED BY ':'
LINES TERMINATED BY '\n'
NULL DEFINED AS 'foonull'
STORED AS TEXTFILE
LOCATION '/tmp/family/';
--Use predefined custom SerDe
CREATE TABLE avroExample
ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.avro.AvroSerDe'
STORED AS INPUTFORMAT 'org.apache.hadoop.hive.ql.io.avro.AvroContainerInputFormat'
OUTPUTFORMAT 'org.apache.hadoop.hive.ql.io.avro.AvroContainerOutputFormat'
TBLPROPERTIES ('avro.schema.literal'='{ "namespace": "org.apache.hive",
"name": "first_schema",
"type": "record",
"fields": [
{ "name":"string1", "type":"string" },
{ "name":"string2", "type":"string" }
] }');
--Use personalized custom SerDe(we may need to `ADD JAR xxx.jar` first to ensure we can find the serde_class,
--or you may run into `CLASSNOTFOUND` exception)
ADD JAR /tmp/hive_serde_example.jar;
CREATE EXTERNAL TABLE family (id INT, name STRING)
ROW FORMAT SERDE 'com.ly.spark.serde.SerDeExample'
STORED AS INPUTFORMAT 'com.ly.spark.example.serde.io.SerDeExampleInputFormat'
OUTPUTFORMAT 'com.ly.spark.example.serde.io.SerDeExampleOutputFormat'
LOCATION '/tmp/family/';
--Use `CLUSTERED BY` clause to create bucket table without `SORTED BY`
CREATE TABLE clustered_by_test1 (ID INT, AGE STRING)
CLUSTERED BY (ID)
INTO 4 BUCKETS
STORED AS ORC
--Use `CLUSTERED BY` clause to create bucket table with `SORTED BY`
CREATE TABLE clustered_by_test2 (ID INT, NAME STRING)
PARTITIONED BY (YEAR STRING)
CLUSTERED BY (ID, NAME)
SORTED BY (ID ASC)
INTO 3 BUCKETS
STORED AS PARQUET
四、CREATE TABLE LIKE
4.1 描述
CREATE TABLE语句使用现有表或视图的定义/元数据定义一个新表。
4.2 语法
sql
CREATE TABLE [IF NOT EXISTS] table_identifier LIKE source_table_identifier
USING data_source
[ ROW FORMAT row_format ]
[ STORED AS file_format ]
[ TBLPROPERTIES ( key1=val1, key2=val2, ... ) ]
[ LOCATION path ]
4.3 参数
- table_identifier
指定一个表名称,可以选择使用数据库名称对其进行限定。
语法:[ database_name. ] table_name - USING data_source
数据源是用于创建表的输入格式。数据源可以是CSV、TXT、ORC、JDBC、PARQUET等。 - ROW FORMAT
SERDE用于指定自定义SerDe或DELIMITED子句,以便使用本机SerDe。 - STORED AS
表存储的文件格式,可以是TEXTFILE、ORC、PARQUET等。 - TBLPROPERTIES
指定了必须设置的表属性,如created.by.user, owner等。 - LOCATION
存储表数据的目录的路径,可以是分布式存储(如HDFS等)上的路径。创建外部表的位置。
4.4 例子
sql
-- Create table using an existing table
CREATE TABLE Student_Dupli like Student;
-- Create table like using a data source
CREATE TABLE Student_Dupli like Student USING CSV;
-- Table is created as external table at the location specified
CREATE TABLE Student_Dupli like Student location '/root1/home';
-- Create table like using a rowformat
CREATE TABLE Student_Dupli like Student
ROW FORMAT DELIMITED FIELDS TERMINATED BY ','
STORED AS TEXTFILE
TBLPROPERTIES ('owner'='xxxx');