Spark SQL----CREATE TABLE

Spark SQL----CREATE TABLE

• 一、描述
• 二、创建 DATASOURCE 表
• • 2.1 描述
  • 2.2 语法
  • 2.3 参数
  • 2.4 数据源交互
  • 2.5 例子
• 三、创建HIVEFORMAT表
• • 3.1 描述
  • 3.2 语法
  • 3.3 参数
  • 3.4 例子
• 四、CREATE TABLE LIKE
• • 4.1 描述
  • 4.2 语法
  • 4.3 参数
  • 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

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

--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

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

--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

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

-- 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');