- 创建分区表 按年月分区：
create table if not exists p_test(
id int ,
name string
)
partitioned by (year string,month string)
row format delimited fields terminated by '\t';此时查看hdfs的目录 只能发现有p_test的表名，没有分区内的情况，说明需要添加分区或者添加数据；
- 测试添加分区：
alter table p_test add partition(year='2019',month='201805') location '/user/hive/warehouse/hive_test.db/p_test/201805/20180509';查看hdfs结果和hive表
发现分区已经加上了，但是没有数据；
- 测试直接向分区表中写数据；
insert into table p_test partition(year ,month) select 1,"lisa", "2019" as year, "201905" as month from dept limit 1 ;发现报错：
FAILED: SemanticException [Error 10096]: Dynamic partition strict mode requires at least one static partition column. To turn this off set hive.exec.dynamic.partition.mode=nonstrict此时应该设置为 非严格模式
set hive.exec.dynamic.partition.mode=nonstrict;再运行插入数据语句，不再报错：
但是发现 此过程耗时极长：（插入一条数据 ，耗时了好几分钟！）
谁知mr的模式为本地模式：
SET mapreduce.framework.name=local;再测试一次插入速度：
insert into table p_test partition(year ,month) select 2,"linda", "2020" as year, "201906" as month from dept limit 1 ;现在速度快了很多！
0.7版本后Hive开始支持任务执行选择本地模式(local mode)。大多数的Hadoop job是需要hadoop提供的完整的可扩展性来处理大数据的。不过，有时hive的输入数据量是非常小的。在这种情况下，为查询出发执行任务的时间消耗可能会比实际job的执行时间要多的多。对于大多数这种情况，hive可以通过本地模式在单台机器上处理所有的任务。对于小数据集，执行时间会明显被缩短。
如此一来，对数据量比较小的操作，就可以在本地执行，这样要比提交任务到集群执行效率要快很多。
3.1 去hdfs上查看目录发现已经有了两个年的目录：
去hive中对 p_test 使用语句查看：
show partitions p_test;
测试完成！
- 同时，我们在hive中同样可以使用sparksql的方式去实现hive语句；
也需要知道在spark中如何操作分区表，不多说直接上代码：
使用spark直接创建分区表（表存在则追加，无则创建）：
package BigData
import org.apache.spark.sql.{DataFrame, SaveMode, SparkSession}
object Partiton {
def main(args: Array[String]): Unit = {
/**
* 创建hive的分区表，使用直接创建的方式
*/
val spark = SparkSession
.builder()
.appName("SparkHive")
.master("local")
.config("spark.sql.parquet.writeLegacyFormat", true)
.enableHiveSupport()
.getOrCreate()
val data = Array(("001", "张三", "2018", "201801"), ("002", "李四", "2017", "201701"), ("003", "网二", "2016", "201601")).toSeq
val df = spark.createDataFrame(data)
.toDF("id", "name", "year", "month")
//创建临时表
df.createOrReplaceTempView("temp_table")
spark.sql("use hive_test")
// 创建分区表，可以将append改为overwrite，这样如果表已存在会删掉之前的表，新建表
df.write.mode(SaveMode.Append).partitionBy("year","month").saveAsTable("p_test_spark")
}
}注意：
如果用命令行创建的hive表，会根据hive的hive.default.fileformat，这个配置来规定hive文件的格式，其中fileformat一般有4中，分别是TextFile、SequenceFile、RCFile、ORC。默认情况下，不指定的话，是TextFile。建表语句最后加上stored as TextFile 或者stored as RCFile就可以指定格式了。
但是sparksql 的df 默认的format是parquet + snappy 所以不符合格式，所以就会报错；
解决spark和hive建表格式的问题
1）
加入将format设置为Hive以后，无论hive建表的时候，使用的fileformat使用的是哪一种，都是不会报错。
去检查该表的数据类型仍然是 text：
show create table p_spark;
因此 config中的设置可以作为创建hive表的指定的数据格式：
