无法访问 AWS Athena 中的数组元素

Posted 2023-05-09

【中文标题】无法访问 AWS Athena 中的数组元素

【英文标题】：Cannot access Array elements in AWS Athena

【发布时间】：2020-04-18 23:06:26

【问题描述】：

我有一个 .txt 文件，其中的列带有括号中的逗号分隔字符串数组，我想在 AWS Athena/QS 中对其进行一些分析。 原始数据如下所示：

col_id    col2
1         ["string1", "string2", "string3", "string4"] 
2         ["string1", "string2"]
3         ["string1", "string2", "string3"]
...

我在 Athena 中创建了一个表，其中包含以下内容：

create external table db.xx (
    col1 string,
    col2 array<string>

ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe'
WITH SERDEPROPERTIES (
  'serialization.format' = '  ',
  'field.delim' = ' ',
  'collection.delim' = ','
) LOCATION 's3://xxx'
TBLPROPERTIES ("skip.header.line.count"="1");

表创建成功，列被识别为数组数据类型。

但是我无法访问数组中的元素。

从表中选择 element_at(col2,1) 返回：

string1, string2, string3, string4
string1, string2
string1, string2, string3

我也尝试从原始数据中删除 [] 和 ""，但仍然得到相同的结果。

【参考方案1】：

CSV 没有数组类型，并且可以通过多种方式对数组进行编码。不幸的是，Athena 不会自动确定您的数据以哪种方式执行它，即使您说某列的类型为 array<string>。

但是，有一种解决方法：使用 string 作为列类型，然后在查询时将值转换为 JSON（因为看起来您的数组是按照 JSON 编码字符串数组的方式编码的），或者使用其中一种the many JSON functions 从数组中提取值：

这样创建表：

create external table db.xx (
    col1 string,
    col2 string
)
ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe'
WITH SERDEPROPERTIES (
  'serialization.format' = '  ',
  'field.delim' = ' ',
  'collection.delim' = ','
) LOCATION 's3://xxx'
TBLPROPERTIES ("skip.header.line.count"="1");

然后像这样查询它：

SELECT
  col1,
  json_array_get(col2, 0)
FROM db.xx