来自 CSV 的 Hive 表。引号中的行终止

Question

我尝试从保存到 HDFS 的 CSV 文件创建表。问题是 csv 在引号内包含 换行符。 CSV 记录示例：

ID,PR_ID,SUMMARY
2063,1184,"This is problem field because consists line break

This is not new record but it is part of text of third column
"

我创建了配置单元表：

CREATE TEMPORARY EXTERNAL TABLE  hive_database.hive_table
(   
    ID STRING,
    PR_ID STRING,
    SUMMARY STRING 
)
row format serde 'com.bizo.hive.serde.csv.CSVSerde'
with serdeproperties (
    "separatorChar" = ",",
    "quoteChar"     = "\"",
    "escapeChar"  = "\""
)     
stored as textfile
LOCATION '/path/to/hdfs/dir/csv'
tblproperties('skip.header.line.count'='1');

然后我尝试计算行数（正确的结果应该是 1）

Select count(*) from hive_database.hive_table;

但结果是 4 不正确。你知道如何解决它吗？谢谢大家。

Answer 1

我找到了解决方案。您可以定义自己的 InputFormatter。然后 HQL 表的 DDL 将如下所示（首先您需要添加自定义 jar 文件）：

ADD JAR /path/to/your/jar/CSVCustomInputFormat.jar;
DROP TABLE hive_database.hive_table;
CREATE EXTERNAL TABLE  hive_database.hive_table
(   
    ID STRING,
    PR_ID STRING,
    SUMMARY STRING 
)
ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.OpenCSVSerde'
WITH SERDEPROPERTIES (
   "separatorChar" = ",",
   "quoteChar"     = "\"",
   "escapeChar"    = "\\"
) 
STORED AS 
INPUTFORMAT 'com.hql.custom.formatter.CSVCustomInputFormatt' 
OUTPUTFORMAT 'org.apache.hadoop.hive.ql.io.orc.OrcOutputFormat' 
LOCATION '/path/to/hdfs/dir/csv'
tblproperties('skip.header.line.count'='1');

然后如何创建自定义输入格式化程序，您可以在这里看到例如：https://analyticsanvil.wordpress.com/2016/03/06/creating-a-custom-hive-input-format-and-record-reader-to-read-fixed-format-flat-files/

Answer 2

目前没有办法直接处理 hive 中的多行 csv。 但是，有一些解决方法：

1. 生成带有\n 或\r\n 的csv 替换为您自己的换行符，例如<\br>。您将能够将其加载到配置单元中。然后通过将后者替换为前者来转换结果文本

2. 使用 spark，它有一个多行 csv 阅读器。这可以解决问题，而 csv 不是以分布式方式读取的。

   val df = spark.read
   .option("wholeFile", true)
   .option("multiline",true)
   .option("header", true)
   .option("inferSchema", "true")
   .option("dateFormat", "yyyy-MM-dd")
   .option("timestampFormat", "yyyy-MM-dd HH:mm:ss")
   .csv("test.csv")
   .write.format("orc")
   .saveAsTable("myschma.myTable")
   

3. 使用其他格式，例如 parquet、avro、orc、序列文件，而不是 csv。例如，您可以使用 sqoop 从 jdbc 数据库生成它们。或者你可以用java或python编写你自己的程序。