无法在具有自定义分隔符的配置单元中插入数据

Posted 2023-04-18

【中文标题】无法在具有自定义分隔符的配置单元中插入数据

【英文标题】：unable to insert data in hive having custom delimiter

【发布时间】：2016-10-30 19:28:42

【问题描述】：

我正在尝试学习 hive，这可能是一个愚蠢的问题，但是 我在 hive 中创建了一个表，如下所示

create table if not exists tweets_table( 
     tweetdata STRING,
     followerscount INT,
     friendscount INT,
     statuscount INT,
     retweetcount INT,
     favouritescount INT,
     lang STRING,
     placefullname STRING,
     placename STRING,
     countryname STRING,
     countrycode STRING,
     hashtags STRING)
     ROW FORMAT DELIMITED
     FIELDS TERMINATED BY '^**^'
     LINES TERMINATED BY '\n'
     STORED AS TEXTFILE;

LOAD  DATA LOCAL INPATH  '/home/cloudera/Desktop/TestDB.txt' INTO TABLE tweets_table5 ;

我使用'^**^'来分隔文本，因为推文中有很多“\n \r”（如果有，请提出标准做法）

所以我有一个要加载的文本文件

09-09-2016 10:51:33|^**^|@ArvindKejriwal @abpnewstv तुम्हारे दावों का क्या हुआ केजरीवाल।|^**^|74|^**^|30|^**^|0|^**^|98|^**^|0|^**^|49|^**^|en|^**^|Ambikapur, India|^**^|Ambikapur|^**^|India|^**^|IN|^**^|[]
09-09-2016 10:51:37|^**^|@LiveLawIndia It is shocking a judge  arrested. I am sure Higher Judiciary will come their rescue , Judges per se cannot be wrong|^**^|0|^**^|14|^**^|0|^**^|32|^**^|0|^**^|2|^**^|en|^**^|Rajasthan, India|^**^|Rajasthan|^**^|India|^**^|IN|^**^|[]

成功加载并查询后， 我得到以下输出

 09-09-2016 10:51:33|   NULL    NULL    NULL    NULL    NULL    |30|    **  |0| **  |98|    **
 09-09-2016 10:51:37|   NULL    NULL    NULL    NULL    NULL    |14|    **  |0| **  |32|    **

我不明白我哪里出错了，是在我的 tex tfile 还是 hive 表中。请帮忙

【参考方案1】：

你正在尝试做的几个问题：

使用FIELDS TERMINATED BY 分隔符不能超过 1 个字符。

即使这样有效，也不能解决您的推文中包含行分隔符的问题 - 推文中的每个 \n 都会开始一个新行。

您描述表格的方式 - 无法正确解析 - 您不能将 \n 作为行分隔符和推文数据。如果您是生成此输入文件的人，我建议将推文中的所有\n 和\r 替换为空格。

【参考方案2】：

用regex serde 代替默认的hive serde 创建表。

根据列数修改下面的正则表达式：

^(.+)\|\^\*\*\^\|(.+)\|\^\*\*\^\|(.+)\|\^\*\*\^\|(.+)\|\^\*\*\^\|(.+)\|\^\*\*\^\|(.+)\|\^\*\*\^\|(.+)\|\^\*\*\^\|(.+)\|\^\*\*\^\|(.+)\|\^\*\*\^\|(.+)\|\^\*\*\^\|(.+)\|\^\*\*\^\|(.+)\|\^\*\*\^\|(.+)\|\^\*\*\^\|(.+)$

表格：

create external table if not exists tweets_table( 
     tweetdata STRING,
     followerscount INT,
     friendscount INT,
     statuscount INT,
     retweetcount INT,
     favouritescount INT,
     lang STRING,
     placefullname STRING,
     placename STRING,
     countryname STRING,
     countrycode STRING,
     hashtags STRING)
ROW FORMAT SERDE 'org.apache.hadoop.hive.contrib.serde2.RegexSerDe'
WITH SERDEPROPERTIES  (
"input.regex" = " ^(.+)\|\^\*\*\^\|(.+)\|\^\*\*\^\|(.+)\|\^\*\*\^\|(.+)\|\^\*\*\^\|(.+)\|\^\*\*\^\|(.+)\|\^\*\*\^\|(.+)\|\^\*\*\^\|(.+)\|\^\*\*\^\|(.+)\|\^\*\*\^\|(.+)\|\^\*\*\^\|(.+)\|\^\*\*\^\|(.+)\|\^\*\*\^\|(.+)\|\^\*\*\^\|(.+)$",
"output.format.string" = "%1$s %2$s %3$s %4$s %5$s %6$s %7$s %8$s %9$s %10$s %11$s %12$s %13$s"
)
STORED AS TEXTFILE;

加载数据：

LOAD  DATA LOCAL INPATH  '/home/cloudera/Desktop/TestDB.txt' INTO TABLE tweets_table ;

如果你得到RegexSerDe classNotFoundException 然后添加正则表达式 serde jar：

ADD JAR hive-contrib=x.x.x.jar

【讨论】：

这个正则表达式正是我正在寻找的，但是，我收到一个错误 FAILED: Execution Error, return code 1 from org.apache.hadoop.hive.ql.exec.DDLTask。 java.util.regex.PatternSyntaxException：在索引 9 附近悬挂元字符 '*' ^(.+)|^**^|(.+)|^**^|(.+)|^**^|(. +)|^**^|(.+)|^**^|(.+)|^**^|(.+)|^**^|(.+)|^**^|(. +)|^**^|(.+)|^**^|(.+)|^**^|(.+)|^**^|(.+)|^**^|(. +)$

移除 output.format.string 参数。将您的文件放在 hdfs 中，而不是使用此正则表达式创建外部表，而不是内部表。