Pig、Hive 自定义输入输出分隔符以及Map、Array嵌套分隔符冲突问题
Pig、Hive 自定义输入输出分隔符以及Map、Array嵌套分隔符冲突问题
PIG中输入输出分隔符默认是制表符\t，而到了hive中，默认变成了八进制的\001，
也就是ASCII： ctrl - A
Oct Dec Hex ASCII_Char
001 1 01 SOH (start of heading)
官方的解释说是尽量不和文中的字符重复，因此选用了 crtrl - A，单个的字符可以通过
row format delimited fields terminated by '#'; 指定，PIG的单个分隔符的也可以通过 PigStorage指定，
但是多个字符做分隔符呢？PIG是直接报错，而HIVE只认第一个字符，而无视后面的多个字符。
解决办法：
PIG可以自定义加载函数(load function)：继承LoadFunc，重写几个方法就ok了，
详见：http://my.oschina.net/leejun2005/blog/83825
而在hive中，自定义多分隔符（Multi-character delimiter strings），有2种方法可以实现：
1、利用RegexSe：
RegexSerDe是hive自带的一种序列化/反序列化的方式，主要用来处理正则表达式。
RegexSerDe主要下面三个参数： input.regex output.format.string input.regex.case.insensitive
下面给出一个完整的范例：
add jar /home/june/hadoop/hive-0.8.1-bin/lib/hive_contrib.jar;
CREATE TABLE b(
c0 string,
c1 string,
c2 string)
ROW FORMAT
SERDE 'org.apache.hadoop.hive.contrib.serde2.RegexSerDe'
WITH SERDEPROPERTIES
( 'input.regex' = '([^,]*),,,,([^,]*),,,,([^,]*)',
'output.format.string' = '%1$s %2$s %3$s')
STORED AS TEXTFILE;
cat b.txt
1,,,,2,,,,3
a,,,,b,,,,c
9,,,,5,,,,7
load data local inpath 'b.txt' overwrite into table b;
select * from bREF：
http://grokbase.com/t/hive/user/115sw9ant2/hive-create-table
2、重写相应的 InputFormat和OutputFormat方法：
//使用多字符来分隔字段，则需要你自定义InputFormat来实现。
package org.apache.hadoop.mapred;
import java.io.IOException;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapred.FileSplit;
import org.apache.hadoop.mapred.InputSplit;
import org.apache.hadoop.mapred.JobConf;
import org.apache.hadoop.mapred.LineRecordReader;
import org.apache.hadoop.mapred.RecordReader;
import org.apache.hadoop.mapred.Reporter;
import org.apache.hadoop.mapred.TextInputFormat;
public class MyDemoInputFormat extends TextInputFormat {
@Override
public RecordReader<LongWritable, Text> getRecordReader(
InputSplit genericSplit, JobConf job, Reporter reporter)
throws IOException {
reporter.setStatus(genericSplit.toString());
MyDemoRecordReader reader = new MyDemoRecordReader(
new LineRecordReader(job, (FileSplit) genericSplit));
return reader;
}
public static class MyDemoRecordReader implements
RecordReader<LongWritable, Text> {
LineRecordReader reader;
Text text;
public MyDemoRecordReader(LineRecordReader reader) {
this.reader = reader;
text = reader.createValue();
}
@Override
public void close() throws IOException {
reader.close();
}
@Override
public LongWritable createKey() {
return reader.createKey();
}
@Override
public Text createValue() {
return new Text();
}
@Override
public long getPos() throws IOException {
return reader.getPos();
}
@Override
public float getProgress() throws IOException {
return reader.getProgress();
}
@Override
public boolean next(LongWritable key, Text value) throws IOException {
Text txtReplace;
while (reader.next(key, text)) {
txtReplace = new Text();
txtReplace.set(text.toString().toLowerCase().replaceAll("\\|\\|\\|", "\001"));
value.set(txtReplace.getBytes(), 0, txtReplace.getLength());
return true;
}
return false;
}
}
}
//这时候的建表语句是：
create external table IF NOT EXISTS test(
id string,
name string
)partitioned by (day string)
STORED AS INPUTFORMAT
'org.apache.hadoop.mapred.MyDemoInputFormat'
OUTPUTFORMAT
'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat'
LOCATION '/log/dw_srclog/test';采集日志到Hive http://blog.javachen.com/2014/07/25/collect-log-to-hive/
参考：
hive处理日志，自定义inputformat
http://running.iteye.com/blog/907806
http://superlxw1234.iteye.com/blog/1744970
原理很简单：hive 的内部分隔符是“ \001 ”，只要把分隔符替换成“\001 ”即可。
3、顺便提下如何定制hive中NULL的输出，默认在存储时被转义输出为\N，
如果我们需要修改成自定义的，例如为空，同样我们也要利用正则序列化：
hive> CREATE TABLE sunwg02 (id int,name STRING)
ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe'
WITH SERDEPROPERTIES (
'field.delim'='\t',
'escape.delim'='\\',
'serialization.null.format'='
) STORED AS TEXTFILE;
OK
Time taken: 0.046 seconds
hive> insert overwrite table sunwg02 select * from sunwg00;
Loading data to table sunwg02
2 Rows loaded to sunwg02
OK
Time taken: 18.756 seconds
查看sunwg02在hdfs的文件
[hjl@sunwg src]$ hadoop fs -cat /hjl/sunwg02/attempt_201105020924_0013_m_000000_0
mary
101 tom
NULL值没有被转写成’\N’PS：
其实话说回来这个功能很简单，但不知为何作者没有直接支持，或许未来的版本会支持的。
4、Hive Map、Array嵌套分隔符冲突问题
1|JOHN|abu1/abu21|key1:1'\004'2'\004'3/key12:6'\004'7'\004'8
2|Rain|abu2/abu22|key2:2'\004'2'\004'3/key22:6'\004'7'\004'8
3|Lisa|abu3/abu23|key3:3'\004'2'\004'3/key32:6'\004'7'\004'8
针对上述文件可以看到， 紫色方框里的都是 array，但是为了避免 array 和 map嵌套array 里的分隔符冲突，
采用了不同的分隔符，一个是 / , 一个是 \004，为什么要用 \004 呢？
因为 hive 默认支持 8 级分隔符：\001~\008，用户只能重写覆盖 \001~\003，其它级别的分隔符 hive 会自己识别解析。
所以以本例来看，建表语句如下：
create EXTERNAL table IF NOT EXISTS testSeparator(
id string,
name string,
itemList array<String>,
kvMap map<string, array<int>>
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '|'
COLLECTION ITEMS TERMINATED BY '/'
MAP KEYS TERMINATED BY ':'
LINES TERMINATED BY '\n'
LOCATION '/tmp/dsap/rawdata/ooxx/3';hive 结果如下：
关于这块知识可以参考：Hadoop The Definitive Guide - Chapter 12: Hive, Page No: 433, 434
Refer：
[1] HIVE nested ARRAY in MAP data type
http://stackoverflow.com/questions/18812025/hive-nested-array-in-map-data-type