首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >0659-6.2.0-Hive处理JSON格式数据

0659-6.2.0-Hive处理JSON格式数据

作者头像
Fayson
发布2019-06-26 23:23:03
4K1
发布2019-06-26 23:23:03
举报
文章被收录于专栏:Hadoop实操Hadoop实操

作者:余枫

1

文档编写目的

在使用Hive处理数据的过程中会遇到各种各样的数据源,其中较为常见的是JSON格式的数据,Hive无法直接处理JSON格式的数据,需要依赖于JSONSerDe。SerDe即序列化和反序列化,JSONSerDe基本思想是使用json.org的JSON库,使用这个库可以读取一行数据并解析为JSONObject,然后解析到Hive中的数据行。因此JSON文件的每行必须是一个完整的JSON,一个JSON不能跨越多行。本文档介绍的是JsonSerDe,该库的地址为:https://github.com/rcongiu/Hive-JSON-Serde。它的特点如下:

  • 能够读取JSON格式的数据
  • 支持JSON数组和Map
  • 支持嵌套数据结构
  • 支持CDH
  • 支持多个版本的Hadoop

下面会进行一些JSON数据的读取测试,介绍如何使用Hive来处理JSON格式的数据。

  • 操作系统RedHat7.2
  • CM和CDH版本为6.2
  • 使用root用户进行操作
  • 集群正常运行

2

操作过程

1.准备json格式的数据文件如下:

2.将文件上传到HDFS

3.下载json-serde包,下载地址如下:

http://www.congiu.net/hive-json-serde/1.3.7/cdh5/json-serde-1.3.7-jar-with-dependencies.jar

4.将下载好的包移动HiveServer2所在节点的hive服务的auxlib目录下

5.在Hive中建外部表

create external table test_json_data (
reportID string,
reportCreditBasicList array<struct<Col1:string>> 
)
row format serde 'org.openx.data.jsonserde.JsonSerDe'
stored as textfile
location '/user/hive/json_data';

6.执行select操作

select * from test_json_data;
select b.basiclist.Col1 from test_json_data t LATERAL VIEW explode(t.reportCreditBasicList) b as basiclist;
select count(*) from test_json_data

3

其他功能验证

3.1

查询复杂字段

1. 准备测试的JSON文件

2. 建表

CREATE TABLE test1 (
one boolean,
three array<string>,
two double,
four string )
ROW FORMAT SERDE 'org.openx.data.jsonserde.JsonSerDe'
STORED AS TEXTFILE;

3. 加载数据

LOAD DATA LOCAL INPATH '/tmp/data.txt' OVERWRITE INTO TABLE test1;

4. 查看表中数组字段的某个元素

select three[1] from test;

3.2

定义嵌套结构

1.准备测试数据

2.建表

CREATE TABLE test2 (
country string,
languages array<string>,
religions map<string,array<int>>)
ROW FORMAT SERDE 'org.openx.data.jsonserde.JsonSerDe'
STORED AS TEXTFILE;

3.加载数据

LOAD DATA LOCAL INPATH '/tmp/data.txt' OVERWRITE INTO TABLE test2

4.查看数据

select * from test2;
select languages[0] from test2;
select religions['catholic'][0] from test2;

3.3

导入格式错误的数据

1.准备错误格式的JSON数据,中间少了个冒号

2.导入数据

导入数据成功

3.查询数据

格式不对,报错了

4.忽略掉格式错误的数据

ALTER TABLE test2 SET SERDEPROPERTIES ( "ignore.malformed.json" = "true");

5.再次查询该表

错误的数据会被空行替代

3.4

映射Hive关键字

有时候,JSON数据中的有Hive的关键字。例如,可能JSON中有一个timestamp的JSON属性,这样的话创建表失败。此SerDek可以使用属性将Hive关键字映射为其他名称的属性。

1.测试数据如下:

2.建表

CREATE TABLE test3 (
myfield string, ts string
) ROW FORMAT SERDE 'org.openx.data.jsonserde.JsonSerDe'
WITH SERDEPROPERTIES ( "mapping.ts" = "timestamp" )
STORED AS TEXTFILE;

建表成功

3.导入数据并查看

LOAD DATA LOCAL INPATH '/tmp/data.txt' OVERWRITE INTO TABLE test3

查看数据

数据导入成功,与Hive关键字冲突的字段被映射为ts字段,且成功导入了JSON数据中的timestamp属性。

4

测试Apache自带的JsonSerDe

4.1

测试嵌套结构

1.准备测试数据

2.建表并导入数据

CREATE TABLE test1 (
one boolean,
three array<string>,
two double,
four string )
ROW FORMAT SERDE 'org.apache.hive.hcatalog.data.JsonSerDe'
STORED AS TEXTFILE;

3.查看数据

select three[1] from test1;

4.2

测试导入错误的数据

1.准备测试数据

2.向5.1建的表test1中导入错误的数据并查看

使用与4.3中测试时一样的语句对表结构进行修改

ALTER TABLE test1 SET SERDEPROPERTIES ( "ignore.malformed.json" = "true");

3.再次查询

可以看到依旧报错,Apache自带的JsonSerDe无法忽略错误格式的JSON数据

4.3

映射Hive关键字

1.准备测试数据

2.建表并导入数据

CREATE TABLE test2 (
myfield string, 
ts string) 
ROW FORMAT SERDE 'org.apache.hive.hcatalog.data.JsonSerDe'
WITH SERDEPROPERTIES ( "mapping.ts" = "timestamp" )
STORED AS TEXTFILE;

3.查看数据

由上图可以看出,字段映射失败,Apache自带的JsonSerDe不支持这种方式。

5

总结

1.Hive处理JSON格式数据本身不支持,需要SerDe即序列化与反序列化来实现JSON数据到Hive中行数据的转换,简单的JSON数据处理Hive自带的JsonSerDe和本文档介绍的JsonSerDe都可以做到。

2.本文档介绍的JsonSerDe与Hive自带的JsonSerDe相比,有更多的功能:

a.在导入的数据中有错误格式的数据时,可以通过设置属性ignore.malformed.json" = "true",忽略错误的数据,用空行来替代,避免了查询过程中Hive会报格式错误导致查询失败。

b.在JSON数据中有Hive关键字时,可以通过将关键字映射到Hive的其他字段来正常的对JSON数据进行查询,例如"mapping.ts" = "timestamp",将JSON中的字段timestamp映射为Hive中建表时定义的字段ts。

3.在与Apache自带的JsonSerDe比较中,首先使用方式上本文档介绍的JsonSerDe在Hive中建表时的方式是create table xxx(col1 string,col2 string)

ROW FORMAT SERDE 'org.apache.hive.hcatalog.data.JsonSerDe',而Apache自带的JsonSerDe在Hive中建表时的方式是create table xxx(...)

ROW FORMAT SERDE 'org.apache.hive.hcatalog.data.JsonSerDe',Apache自带的JsonSerDe这个类在hive-hcatalog-core-2.1.1.jar中,这个包在CDH的目录/opt/cloudera/parcels/CDH/lib/hive-hcatalog/share/hcatalog/下,在建表时可以直接使用;在功能上经过测试Apache自带的JsonSerDe在碰到某个错误的JSON数据时查询会报错,但是在大量的JSON数据中难免会有一些错误的数据,对于这个问题,就无法使用Apache自带的JsonSerDe,使用文档中介绍的JsonSerDe可以跳过错误的JSON数据,以空来显示,但是不会让整个查询中断,还有一点就是文档中进行测试过的关键字映射,在Apache自带的JsonSerDe中也不支持,功能相对简陋一些。

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2019-06-24,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 Hadoop实操 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
文件存储
文件存储(Cloud File Storage,CFS)为您提供安全可靠、可扩展的共享文件存储服务。文件存储可与腾讯云服务器、容器服务、批量计算等服务搭配使用,为多个计算节点提供容量和性能可弹性扩展的高性能共享存储。腾讯云文件存储的管理界面简单、易使用,可实现对现有应用的无缝集成;按实际用量付费,为您节约成本,简化 IT 运维工作。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档