Hive分区表新增字段并指定位置

1、Hive分区表新增字段

Hive分区表新增字段并指定位置主要分为两步：新增字段和移动字段

1）新增字段

ALTER TABLE table_name ADD COLUMNS (col_name data_type [COMMENT col_comment], ...) [CASCADE|RESTRICT];

该命令允许用户将新列添加到现有列的末尾但在分区列之前

ADD COLUMNS命令只修改Hive的元数据，不修改实际数据。用户应该确保表/分区的实际数据布局符合元数据定义

2）更改（移动）字段

ALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_name column_type [COMMENT col_comment] [FIRST|AFTER column_name] [CASCADE|RESTRICT];

该命令允许用户更改列的名称、数据类型、注释或位置，或它们的任意组合

CHANGE COLUMN命令只修改Hive的元数据，不修改实际数据。用户应该确保表/分区的实际数据布局符合元数据定义

以下是一些示例：

CREATE TABLE test_change (a int, b int, c int);// 将列a的名称更改为a1
ALTER TABLE test_change CHANGE a a1 INT;// 将列a1的名称更改为a2，数据类型更改为string，并将其放在列b后
ALTER TABLE test_change CHANGE a1 a2 STRING AFTER b;
// 新表的结构：b int, a2 string, c int// 将列c的名称更改为c1，并放在第一列
ALTER TABLE test_change CHANGE c c1 INT FIRST;
// 新表的结构：c1 int, b int, a2 string// 给列a1添加注释
ALTER TABLE test_change CHANGE a1 a1 INT COMMENT 'a1 comment';

2、CASCADE关键字

CASCADE中文为"级联"，顾名思义就是有联系的。Hive官网对CASCADE关键字的描述如下：

CASCADE/RESTRICT子句在Hive 1.1.0中可用。CHANGE COLUMN CASCADE命令修改表元数据的列，并将相同的更改级联到所有分区元数据。RESTRICT是默认值，它只限制对表元数据的列更改

CHANGE COLUMN CASCADE子句将覆盖表分区的列元数据，而不管表或分区的保护模式如何，请谨慎使用

详情参考官网：https://cwiki.apache.org/confluence/pages/viewpage.action?pageId=27362034#LanguageManualDDL-AlterColumn

什么意思呢？下面以一个示例演示不加CASCADE与添加CASCADE的区别

1）数据准备

create table test_cascade (id bigint, name string) partitioned by (dt string);
insert into table test_cascade partition (dt='2024-11-01') values (1, 'a');
insert into table test_cascade partition (dt='2024-12-01') values (2, 'b');
select * from test_cascade;
'''
id     name     dt
1      a        2024-11-01
2      b        2024-12-01
'''

2）不加CASCADE

alter table test_cascade add columns (age int);
insert into table test_cascade partition (dt='2024-11-01') values (1,'a',19);
insert into table test_cascade partition (dt='2024-12-01') values (2,'b',18);
insert into table test_cascade partition (dt='2025-01-01') values (3,'c',20);
select * from test_cascade;
'''
id     name     age      dt
1      a        NULL     2024-11-01
1      a        NULL     2024-11-01
2      b        NULL     2024-12-01
2      b        NULL     2024-12-01
3      c        20       2025-01-01
'''

3）添加CASCADE

alter table test_cascade add columns (age int) cascade;
insert into table test_cascade partition (dt='2024-11-01') values (1,'a',19);
insert into table test_cascade partition (dt='2024-12-01') values (2,'b',18);
insert into table test_cascade partition (dt='2025-01-01') values (3,'c',18);
select * from test_cascade;
'''
id     name     age      dt
1      a        NULL     2024-11-01
1      a        19       2024-11-01
2      b        NULL     2024-12-01
2      b        18       2024-12-01
3      c        20       2025-01-01
'''

据此，可得如下结论：

• 不加CASCADE：插入数据时，已存在数据的分区新增字段值为NULL，无数据的分区新增字段值可以插入成功
• 添加CASCADE：插入数据时，已存在数据的分区和无数据的分区新增字段值都可以插入成功

即就是，默认RESTRICT只变更新分区的表结构（新分区元数据），而CASCADE不仅变更新分区的表结构（新分区元数据），同时也级联变更旧分区的表结构（旧分区元数据）

3、历史分区新增列为NULL问题

实际应用中，通常会存在修改表结构的需求，例如，增加一个字段

如果使用如下语句新增列：

ALTER TABLE table_name ADD COLUMNS (col_name data_type [COMMENT col_comment]);

则可以成功添加列col_name，但如果数据表table_name中已有旧的分区，则该旧分区中的col_name将为NULL且无法更新，即使使用INSERT OVERWRITE也无效

出现这个问题的原因就是没有使用CASCADE关键字导致的。CASCADE不仅可以变更新分区的表结构（元数据），同时也会级联变更旧分区的表结构（元数据）

解决方法也很简单，只需要在原语句后面添加CASCADE关键字即可：

ALTER TABLE table_name ADD COLUMNS (col_name data_type [COMMENT col_comment]) CASCADE;

针对分区表新增字段不加CASCADE关键字时对于历史分区新插入的数据，新增的列数据都会显示为NULL，其它已有列的数据则显示正常

值得注意的是，如果还需要更改新增列的位置，也需要使用CASCADE关键字：

ALTER TABLE table_name CHANGE [COLUMN] col_name col_name data_type [COMMENT col_comment] AFTER column_name CASCADE;

另外，如果存储格式为Parquet，那么该新增列的数据都将为NULL，如果为TextFile格式，则不会出现这种情况

参考文章：https://blog.csdn.net/sx157559322/article/details/131950817