我们知道在Hive0.14版本之前是不支持update和delete操作的，之后的Hive数据表必须要满足一定的条件，比如ORC存储、ACID支持等，才可以进行update和delete操作，本篇文章讲一下传统的hive数据表如果通过写SQL的方式实现数据的更新。


1.这里新建两张表student10,student10_temp(临时表，可看成业务库）,建表语句如下：

//学生信息表create table student10(id string,name string,age string) row format delimited fields terminated by',' stored as textfile;//学生信息表临时表，业务关系数据库的变化，一般先导入临时表create table student10_temp(id string,name string,age string) row format delimited fields terminated by',' stored as textfile;


2.数据准备，可理解成业务库更新前全量数据，文件test.txt，数据如下：

[root@salver158 ~]# cat /tmp/test.txt 1,name1,162,name2,173,name3,18


3.这里先将test.txt中的数据加载到student10_temp表中，执行命令：

hive> load data local inpath '/tmp/test.txt'  into table student10_temp;Loading data to table lujs.student10_tempTable lujs.student10_temp stats: [numFiles=1, numRows=0, totalSize=33, rawDataSize=0]OKTime taken: 1.275 seconds

    执行insert into将student10_temp,全量插入到student10表中：

hive> insert into table student10 select id,name,age from student10_temp;

    到这里两张表数据相同，这就相当于我们生产上，第一次进行了全量数据的导入；这时候我们更新了student10_temp表（这里模拟业务关系数据库中删除一条数据，插入了两条数据），这里直接加载文件test1.txt：

[root@salver158 tmp]# cat  /tmp/test1.txt 2,name2,173,name3,5104,name4,195,name5,20

    其实这个student10_temp一般代表的是关系型数据库的变化，然后可通过sqoop等数据抽取工具，全量抽取关系数据库已变化的数据到student10_temp临时表中。

hive> select * from student10_temp;OK2  name2  173  name3  5104  name4  195  name5  20


4.我们可以通过SQL进行数据比对，然后把非增量、非更新的数据覆盖到student10表中,执行完SQL后可保证student10和student10_temp数据不重复(这里表必须要有主键，不然没法关联)


    找出非增量、非更新数据，一般就是已删除数据，执行命令：

select b.id,b.name,b.age from student10 a left join student10_temp b on a.id=b.id  where b.id is nul

    将非增量、非更新数据覆盖到student10表，执行命令：

insert overwrite table student10 select b.id,b.name,b.age from student10 a left join student10_temp b on a.id=b.id  where b.id is null

    执行完后，表中只有非增量、非更新数据，一般就是业务库已删除数据，这里我们可以选择保留做个标识；


5.经过步骤4的比对去重之后，则可以把临时表数据加载进来，执行命令：

hive> insert into table student10  select  id,name,age from student10_temp;

    查看最终数据，包含非增量、非更新数据，以及更新和增量数据：

hive> select * from student10;OK1  name1  162  name2  173  name3  5104  name4  195  name5  20Time taken: 0.436 seconds, Fetched: 5 row(s)


    我这里只是简单的一种数据更新方案，中间可能问题，数据更新之前最后都要做好备份，以免丢失数据。


补充SQL:


    1.比对新增、更新数据SQL,这里可以执行步骤4之前查看，可在student10表中添加一个标识字段来标识，是已删除、更新、还是新增数据，这里就不在演示，有兴趣自己去研究下:

hive> select a.id,a.name,a.age,CASE WHEN b.id IS null THEN '新增' ELSE '更新'  END  FROM  student10_temp a LEFT JOIN  student10  b on a.id=b.id;Query ID = root_20200310194355_d5428597-77a7-40e6-8b56-6b636c3e137eTotal jobs = 1Launching Job 1 out of 1Status: Running (Executing on YARN cluster with App id application_1583204243863_0026)
--------------------------------------------------------------------------------        VERTICES      STATUS  TOTAL  COMPLETED  RUNNING  PENDING  FAILED  KILLED--------------------------------------------------------------------------------Map 1 ..........   SUCCEEDED      1          1        0        0       0       0Map 2 ..........   SUCCEEDED      1          1        0        0       0       0--------------------------------------------------------------------------------VERTICES: 02/02  [==========================>>] 100%  ELAPSED TIME: 6.59 s     --------------------------------------------------------------------------------OK2  name2  17  更新3  name3  510  更新4  name4  19  新增5  name5  20  新增