Hive 外部表排除违反数据类型的记录

Question

我在 Hive 中有一个外部表，它使用 serde 来处理 json 记录。偶尔会有一个值与表 ddl 数据类型不匹配，例如表字段定义为int，json有字符串值。在查询执行期间，由于类型不匹配，Hive 将正确地为元数据异常抛出此错误：

java.lang.RuntimeException: org.apache.hadoop.hive.ql.metadata.HiveException: 
Hive Runtime Error while processing writable

有没有办法将 Hive 设置为忽略这些数据类型违规的记录？

注意 json 是有效的语法，因此设置 serde 属性如忽略格式错误的 json 是不适用的。

示例 DDL：

CREATE EXTERNAL TABLE IF NOT EXISTS test_tbl (
acd         INT,
tzo         INT
 )
ROW FORMAT SERDE 'org.apache.hive.hcatalog.data.JsonSerDe'
STORED AS TEXTFILE
;
ALTER TABLE test_tbl  SET SERDEPROPERTIES ( "ignore.malformed.json" =  "true");

示例数据 - TZO = alpha 记录将导致错误：

{"acd":6,"tzo":4}
{"acd":6,"tzo":7}
{"acd":6,"tzo":"alpha"}

Answer 1

我认为在 hive 中还没有办法处理这个问题。我认为您可能需要使用 MR、Pig 等进行中间步骤，以确保数据正确，然后从该结果中输入。

这里可能有一个你可以使用的配置参数 https://cwiki.apache.org/confluence/display/Hive/Configuration+Properties#ConfigurationProperties-SerDes

我认为您可以编写自己的异常处理程序来捕获它并通过使用 hive.io.exception.handlers 指定您的自定义处理程序来继续

或者如果您可以存储为 ORC 文件而不是文本文件。您可以使用 HiveQL 语句指定 ORC 文件格式，例如：

CREATE TABLE ... STORED AS ORC
ALTER TABLE ... [PARTITION partition_spec] SET FILEFORMAT ORC

然后，当您运行作业时，您可以使用跳过设置：

set hive.exec.orc.skip.corrupt.data=true

Answer 2

您可以设置 Hive 以容忍可配置数量的故障。

SET mapred.skip.mode.enabled = true;
SET mapred.map.max.attempts = 100; 
SET mapred.reduce.max.attempts = 100;
SET mapred.skip.map.max.skip.records = 30000;
SET mapred.skip.attempts.to.start.skipping = 1

这不是 Hive 特定的，也可以应用于普通的 MapReduce。