摘要：
LOAD DATA是 Hive 最常用也最容易被误用的数据入库方式。本文结合官方语法与实战案例，讲清LOCAL与集群路径的本质区别——本地加载是「复制」、集群加载是「移动」，并梳理文件位置、速度、源文件去留等关键差异，附 5 个高频避坑点与 LOAD 和 INSERT 的选型建议。
关键词：Hive LOAD DATA, LOAD DATA LOCAL INPATH, HDFS 加载, 数据入库, 复制 vs 移动, Hive DML, beeline
在 Hive 里，数据操作语言（DML）主要就是 LOAD 和 INSERT 两类——数仓场景下并不鼓励 UPDATE/DELETE。其中 LOAD DATA 是日常把文件搬进表最顺手的方式：一行命令，数据就进表了。但很多人在用的时候，其实没搞清「本地加载」和「集群加载」到底差在哪，结果要么源文件神秘消失，要么把文件放错了机器。
这篇就用 Notion 里整理的真实案例，把 LOAD DATA 的语法、语义和坑一次讲透。
一、语法与三个关键参数
LOAD DATA 的完整语法并不长：
LOAD DATA [LOCAL] INPATH 'filepath' [OVERWRITE] INTO TABLE tablename [PARTITION (partcol1=val1, partcol2=val2 ...)]
方括号里的都是可选，但每一个都有讲究：
- LOCAL：指定它，表示加载的是 Hive 服务端本地文件；不指定，表示加载的是 HDFS 上的文件。这是整条语句最关键的区别，下文单独展开。
- OVERWRITE：加了它，会先清空目标表（或分区）再写入；不加则追加。
- PARTITION：把数据直接加载到指定分区，仅对分区表有效。
二、核心：本地加载是「复制」，集群加载是「移动」
这是 LOAD DATA 最容易被忽略、也最影响结果的一点。Hive 在处理两种路径时，底层动作完全不同：
不带 LOCAL（集群路径）：filepath 是 HDFS 路径。Hive 只是让 NameNode 把文件做一次元数据层面的重命名（rename/mv），把它挪到表对应的存储目录。数据块根本不发生迁移，也不会产生新副本，所以通常是秒级完成；代价是——源路径上的文件被「搬走」了，原位置不再有它。
带 LOCAL（本地路径）：filepath 是 HiveServer2 所在节点的本地文件系统路径。Hive 会把这个文件复制到表的 HDFS 存储目录（写入时照常生成 3 副本），源文件保留在本地。因为要走网络写一次 HDFS，所以比集群加载慢。
一句话记忆：集群加载 = 同文件系统内挪动（快、删源）；本地加载 = 跨文件系统拷贝（慢、留源）。下面这张对比把差异摊开：
三、实战案例：建表、集群加载、本地追加与覆盖
下面完整跑一遍 Notion 里记录的标准流程。先建一张最简单的表，字段用逗号分隔：
-- 创建 load_tbl 表
CREATE TABLE load_tbl (id INT, name STRING)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';
-- 在 node5 节点准备数据文件 data.txt
-- 1,zs
-- 2,ls
-- 3,ww
-- 把文件上传到 HDFS 根路径
hdfs dfs -put ./data.txt /
-- 从 HDFS 加载（集群加载：移动，源文件被挪走）
LOAD DATA INPATH '/data.txt' INTO TABLE load_tbl;
SELECT * FROM load_tbl;
-- 1 zs
-- 2 ls
-- 3 ww
接着在 Hive 服务端节点（node1）本地准备一份新数据，做追加加载：
-- node1 本地 data.txt 内容
-- 11,zs
-- 22,ls
-- 33,ww
-- 44,ml
-- 本地加载，追加到表中（复制，源文件保留）
LOAD DATA LOCAL INPATH '/root/data.txt' INTO TABLE load_tbl;
SELECT * FROM load_tbl;
-- 1 zs
-- 2 ls
-- 3 ww
-- 11 zs
-- 22 ls
-- 33 ww
-- 44 ml
如果想覆盖而不是追加，加 OVERWRITE：
-- 本地加载并覆盖整张表
LOAD DATA LOCAL INPATH '/root/data.txt' OVERWRITE INTO TABLE load_tbl;
SELECT * FROM load_tbl;
-- 11 zs
-- 22 ls
-- 33 ww
-- 44 ml
注意体会：集群加载那条 LOAD DATA INPATH '/data.txt' 执行完，/data.txt 在 HDFS 上就不存在了——它被移动进了表目录。而本地加载只是在 HDFS 多了一份副本，node1 上的 /root/data.txt 原封不动。
四、五个高频避坑点
LOCAL 的「本地」是 HiveServer2 的本地，不是你的笔记本。 用 beeline/JDBC 远程连 Hive 时，文件必须放在服务端节点的本地磁盘上，放在你执行命令的客户端机器上是找不到的。这是最常踩的坑。
LOAD 只搬文件，不解析、不改写数据。 它不会校验字段、不会帮你转换类型。文件的分隔符必须与表的
ROW FORMAT一致，否则整行会被当成NULL或乱码塞进表，查询时才发现数据全废。集群加载（无 LOCAL）会删掉源文件。 它是移动不是复制。若想保留源数据，先
hdfs dfs -cp一份再加载，或改用本地加载。filepath可以是目录，也可以是 URI。 传目录时会把目录下所有文件都加载进来；OVERWRITE会清空目标后再放，覆盖力度很猛，分区表务必配合PARTITION精确投放。外部表（EXTERNAL）LOAD 同样会搬文件。 区别只在
DROP TABLE时不删数据。但 LOAD 时数据落点仍是表目录，别以为外部表能「原位引用」——它和内部表一样会把文件挪/拷过去。
五、LOAD 与 INSERT 怎么选
LOAD DATA 是搬文件：不涉及计算引擎，效率最高，适合「文件已经生成好、直接落表」的场景（比如 ETL 产物、日志落盘）。
INSERT（含 INSERT ... SELECT）是走 MR/Tez 计算写出数据：它能做字段转换、过滤、聚合，适合「从别的表算出来再写进去」。代价是要起作业、慢。
经验法则：文件齐了就 LOAD；需要加工就 INSERT。别用 INSERT VALUES 一条条插大批量数据——那是给测试用的。
小结
LOAD DATA 用起来只有一行，但 LOCAL 的有无决定了底层是「复制」还是「移动」：集群路径走 HDFS 元数据重命名，秒级、删源；本地路径走跨系统拷贝，较慢、留源。记住本地指服务端、LOAD 不解析数据、集群加载会删源这三个要点，再配合 OVERWRITE/PARTITION 精确控制，数据入库就不会再出意外。
