Spark SQL----CREATE TABLE

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 CSVAS 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 PARQUETOPTIONS ('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 CSVCOMMENT '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 CSVTBLPROPERTIES ('foo'='bar')COMMENT 'this is a comment';--Create partitioned and bucketed table
CREATE TABLE student (id INT, name STRING, age INT)USING CSVPARTITIONED BY (age)CLUSTERED BY (Id) INTO 4 buckets;--Create partitioned and bucketed table through CTAS
CREATE TABLE student_partition_bucketUSING parquetPARTITIONED BY (age)CLUSTERED BY (id) INTO 4 bucketsAS SELECT * FROM student;--Create bucketed table through CTAS and CTE
CREATE TABLE student_bucketUSING parquetCLUSTERED 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 ORCAS SELECT * FROM student;--Specify table comment and properties
CREATE TABLE student (id INT, name STRING, age INT)COMMENT 'this is a comment'STORED AS ORCTBLPROPERTIES ('foo'='bar');  --Specify table comment and properties with different clauses order
CREATE TABLE student (id INT, name STRING, age INT)STORED AS ORCTBLPROPERTIES ('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 ORCPARTITIONED 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 TEXTFILELOCATION '/tmp/family/';--Use predefined custom SerDe
CREATE TABLE avroExampleROW 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 BUCKETSSTORED 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 BUCKETSSTORED 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_identifierUSING 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 StudentROW FORMAT DELIMITED FIELDS TERMINATED BY ','STORED AS TEXTFILETBLPROPERTIES ('owner'='xxxx');