0659-6.2.0-Hive处理JSON格式数据

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。

原文发布于微信公众号 - Hadoop实操(gh_c4c535955d0f)

原文发表时间:2019-06-24

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

扫码关注云+社区

领取腾讯云代金券