【大数据Hive】hive 多字段分隔符使用详解

一、前言
分隔符是hive在建表的时候要考虑的一个重要因素，根据要加载的原始数据的格式不同，通常数据文件中的分隔符也有差异，因此可以在建表的时候指定分隔符，从而映射到hive的数据表。

二、hive默认分隔符规则以及限制
Hive默认序列化类是LazySimpleSerDe，其只支持使用单字节分隔符（char）来加载文本数据，例如逗号、制表符、空格等等，默认的分隔符为”\001”。

根据不同文件的不同分隔符，我们可以通过在创建表时使用 row format delimited 来指定文件中的分割符，确保正确将表中的每一列与文件中的每一列实现一一对应的关系。

如下是hive建表语法树中的一部分



在这个语法树中，大家熟知的分隔符即 DELIMITED 关键字，从语法中看出来默认情况下，其分割的都是单字节的数据，可现实情况下，实际要处理的文本数据内容可能要复杂很多，比如下面这些情况：

2.1 正常示例：单字节分隔符数据加载示例
下面这种文本格式的原始数据，可以直接使用没问题；





2.2 特殊格式的文本数据，分隔符为特殊字符
每一行数据的分隔符是多字节分隔符，例如：”||”、“--”等，如下面这样的数据；



2.2.1 文本数据的字段中包含了分隔符
每列的分隔符为空格，但是数据中包含了分割符，时间字段中也有空格；



三、突破默认限制规则约束
3.1 数据加载不匹配情况 1
文本内容数据格式如下



建表sql，这里字段分隔符采用 || 与文本对应；

drop table singer;
create table singer(
id string,
name string,
country string,
province string,
gender string,
works string)
row format delimited fields terminated by '||';

load data local inpath '/usr/local/soft/selectdata/test01.txt' into table singer;
执行建表并加载数据



从数据来看，字段并没有解析完全，并且某些字段解析失败，和预期的不太一样，这是怎么回事呢？

3.2 数据加载不匹配情况 2
原始文本数据内容格式如下



建表并加载数据，这里采用空格作为分隔符；

drop table apachelog;
create table apachelog( ip string,stime string,mothed string,url string,policy string,stat string,body string)
row format delimited fields terminated by ' ';

load data local inpath '/usr/local/soft/selectdata/apache_web_access.log' into table apachelog;
执行完成后检查数据



从数据来看，某些字段的解析不仅错误，而且字段也出现了错位；

从上面两个简单的示例来看，如果要解析的原始文本数据中的某些字段自身包含了分隔符，这时候再使用默认的LazySimpleSerDe序列化加载数据时，将得不到预期的结果，出现数据解析错误的情况。

关于上述问题，下面提几种常用的解决办法。

3.3 解决方案一：替换分隔符
在第一个示例中的数据，要想使用默认分隔符，可以考虑对原始数据进行预处理，将双|转换为单个|后再导入；



至于转换的过程，可以人工处理，也可以使用MR程序处理，使用MR程序处理的话可以参考下面的伪代码，

package bigdata.itcast.cn.hbase.mr;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.conf.Configured;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.input.TextInputFormat;
import org.apache.hadoop.mapreduce.lib.output.TextOutputFormat;
import org.apache.hadoop.util.Tool;
import org.apache.hadoop.util.ToolRunner;

import java.io.IOException;

/**
* @ClassName ChangeSplitCharMR
* @Description TODO MapReduce实现将多字节分隔符转换为单字节符
* @Create By itcast
*/
public class ChangeSplitCharMR extends Configured implements Tool {
public int run(String[] arg) throws Exception {
/**
* 构建Job
*/
Job job = Job.getInstance(this.getConf(),"changeSplit");
job.setJarByClass(ChangeSplitCharMR.class);

/**
* 配置Job
*/
//input：读取需要转换的文件
job.setInputFormatClass(TextInputFormat.class);
Path inputPath = new Path("datas/split/test01.txt");
FileInputFormat.setInputPaths(job,inputPath);

//map：调用Mapper
job.setMapperClass(ChangeSplitMapper.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(NullWritable.class);

//reduce：不需要Reduce过程
job.setNumReduceTasks(0);

//output
job.setOutputFormatClass(TextOutputFormat.class);
Path outputPath = new Path("datas/output/changeSplit");
TextOutputFormat.setOutputPath(job,outputPath);

/**
* 提交Job
*/
return job.waitForCompletion(true) ? 0 : -1;
}

//程序入口
public static void main(String[] args) throws Exception {
//调用run
Configuration conf = new Configuration();
int status = ToolRunner.run(conf, new ChangeSplitCharMR(), args);
System.exit(status);
}


public static class ChangeSplitMapper extends Mapper<LongWritable,Text,Text,NullWritable>{
//定义输出的Key
private Text outputKey = new Text();
//定义输出的Value
private NullWritable outputValue = NullWritable.get();

@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
//获取每条数据
String line = value.toString();
//将里面的||转换为|
String newLine = line.replaceAll("\\|\\|", "|");
//替换后的内容作为Key
this.outputKey.set(newLine);
//输出结果
context.write(this.outputKey,this.outputValue);
}
}
}

3.4 解决方案二：RegexSerDe正则加载
顾名思义就是使用hive提供的相关正则的语法来处理这个问题，为什么呢？因为hive内置了很多SerDe类；

Hive内置的SerDe

除了使用最多的LazySimpleSerDe，Hive该内置了很多SerDe类；
官网地址：https://cwiki.apache.org/confluence/display/Hive/SerDe；
多种SerDe用于解析和加载不同类型的数据文件，常用的有ORCSerDe 、RegexSerDe、JsonSerDe等；
1、RegexSerDe用来加载特殊数据的问题，使用正则匹配来加载数据；

2、根据正则表达式匹配每一列数据；

官网参考文档



针对上面演示时的问题，来看看如何使用这种方式来解决，比如第一份数据，针对这份数据，只需要写一个正则，能够识别到其中的分隔符双 || ，将建表时的字段分割符使用这个正则，然后加载数据的时候就可以把hive解析出预期的数据格式了；



使用正则Regex处理这两个问题，下面看具体的操作演示

问题一处理过程：
建表并加载数据

--如果表已存在就删除表
drop table if exists singer;
--创建表
create table singer(id string,--歌手id
name string,--歌手名称
country string,--国家
province string,--省份
gender string,--性别
works string)--作品
--指定使用RegexSerde加载数据
ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.RegexSerDe'
WITH SERDEPROPERTIES ("input.regex" = "([0-9]*)\\|\\|(.*)\\|\\|(.*)\\|\\|(.*)\\|\\|(.*)\\|\\|(.*)");

--加载数据
load data local inpath '/usr/local/soft/selectdata/test01.txt' into table singer;
执行过程



检查数据发现，通过这种方式数据就能正确的加载了；



问题二处理过程：
创建表并加载数据，使用正则处理

--如果表存在，就删除表
drop table if exists apachelog;
--创建表
create table apachelog(
ip string, --IP地址
stime string, --时间
mothed string, --请求方式
url string, --请求地址
policy string, --请求协议
stat string, --请求状态
body string --字节大小
)
--指定使用RegexSerde加载数据
ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.RegexSerDe'
--指定正则表达式
WITH SERDEPROPERTIES (
"input.regex" = "([^ ]*) ([^}]*) ([^ ]*) ([^ ]*) ([^ ]*) ([0-9]*) ([^ ]*)"
) stored as textfile ;


load data local inpath '/usr/local/soft/selectdata/apache_web_access.log' into table apachelog;

执行过程



检查数据发现，通过这种方式数据就能正确的加载了；



3.5 解决方案三：自定义InputFormat
Hive中也允许使用自定义InputFormat来解决以上问题，通过在自定义InputFormat，来自定义解析逻辑实现读取每一行的数据。

下面是官方文档关于该方案的说明；



3.5.1 操作流程
自定义InputFormat，与MapReudce中自定义InputFormat一致，继承TextInputFormat，下面是完整的代码；

自定义UserInputFormat

import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapred.*;

import java.io.IOException;

/**
* @ClassName UserInputFormat
* @Description TODO 用于实现自定义InputFormat，读取每行数据
*/

public class UserInputFormat extends TextInputFormat {
@Override
public RecordReader<LongWritable, Text> getRecordReader(InputSplit genericSplit, JobConf job,
Reporter reporter) throws IOException {
reporter.setStatus(genericSplit.toString());
UserRecordReader reader = new UserRecordReader(job,(FileSplit)genericSplit);
return reader;
}
}

UserRecordReader

用于自定义读取器，在自定义InputFormat中使用，将读取到的每行数据中的||替换为|

代码如下

import org.apache.commons.logging.Log;
import org.apache.commons.logging.LogFactory;
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FSDataInputStream;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.fs.Seekable;
import org.apache.hadoop.io.LongWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.compress.*;
import org.apache.hadoop.mapred.FileSplit;
import org.apache.hadoop.mapred.LineRecordReader;
import org.apache.hadoop.mapred.RecordReader;

import java.io.IOException;
import java.io.InputStream;

/**
* @ClassName UserRecordReader
* @Description TODO 用于自定义读取器，在自定义InputFormat中使用，将读取到的每行数据中的||替换为|
*/


public class UserRecordReader implements RecordReader<LongWritable, Text> {
private static final Log LOG = LogFactory.getLog(LineRecordReader.class.getName());
int maxLineLength;
private CompressionCodecFactory compressionCodecs = null;
private long start;
private long pos;
private long end;
private LineReader in;
private Seekable filePosition;
private CompressionCodec codec;
private Decompressor decompressor;

public UserRecordReader(Configuration job, FileSplit split) throws IOException {
this.maxLineLength = job.getInt("mapred.linerecordreader.maxlength", Integer.MAX_VALUE);
start = split.getStart();
end = start + split.getLength();
final Path file = split.getPath();
compressionCodecs = new CompressionCodecFactory(job);
codec = compressionCodecs.getCodec(file);
FileSystem fs = file.getFileSystem(job);
FSDataInputStream fileIn = fs.open(split.getPath());
if (isCompressedInput()) {
decompressor = CodecPool.getDecompressor(codec);
if (codec instanceof SplittableCompressionCodec) {
final SplitCompressionInputStream cIn = ((SplittableCompressionCodec) codec)
.createInputStream(fileIn, decompressor, start, end,
SplittableCompressionCodec.READ_MODE.BYBLOCK);
in = new LineReader(cIn, job);
start = cIn.getAdjustedStart();
end = cIn.getAdjustedEnd();
filePosition = cIn; // take pos from compressed stream
} else {
in = new LineReader(codec.createInputStream(fileIn, decompressor), job);
filePosition = fileIn;
}
} else {
fileIn.seek(start);
in = new LineReader(fileIn, job);
filePosition = fileIn;
}
if (start != 0) {
start += in.readLine(new Text(), 0, maxBytesToConsume(start));
}
this.pos = start;
}

private boolean isCompressedInput() {
return (codec != null);
}

private int maxBytesToConsume(long pos) {
return isCompressedInput() ? Integer.MAX_VALUE : (int) Math.min(Integer.MAX_VALUE, end - pos);
}

private long getFilePosition() throws IOException {
long retVal;
if (isCompressedInput() && null != filePosition) {
retVal = filePosition.getPos();
} else {
retVal = pos;
}
return retVal;
}

public LongWritable createKey() {
return new LongWritable();
}

public Text createValue() {
return new Text();
}

/**
* Read a line.
*/
public synchronized boolean next(LongWritable key, Text value) throws IOException {
while (getFilePosition() <= end) {
key.set(pos);
int newSize = in.readLine(value, maxLineLength, Math.max(maxBytesToConsume(pos), maxLineLength));
String str = value.toString().replaceAll("\\|\\|", "\\|");
value.set(str);
pos += newSize;
if (newSize == 0) {
return false;
}
if (newSize < maxLineLength) {
return true;
}
LOG.info("Skipped line of size " + newSize + " at pos " + (pos - newSize));
}
return false;
}

public float getProgress() throws IOException {
if (start == end) {
return 0.0f;
} else {
return Math.min(1.0f, (getFilePosition() - start) / (float) (end - start));
}
}

public synchronized long getPos() throws IOException {
return pos;
}

public synchronized void close() throws IOException {
try {
if (in != null) {
in.close();
}
} finally {
if (decompressor != null) {
CodecPool.returnDecompressor(decompressor);
}
}
}

public static class LineReader extends org.apache.hadoop.util.LineReader {
LineReader(InputStream in) {
super(in);
}

LineReader(InputStream in, int bufferSize) {
super(in, bufferSize);
}

public LineReader(InputStream in, Configuration conf) throws IOException {
super(in, conf);
}
}
}

本地打成jar包并上传到服务器



使用命令上传jar到hive的依赖包目录



重新创建表，加载数据，同时指定InputFormat为自定义的InputFormat

--如果表已存在就删除表
drop table if exists singer;

--创建表
create table singer(
id string,--歌手id
name string,--歌手名称
country string,--国家
province string,--省份
gender string,--性别
works string)
--指定使用分隔符为|
row format delimited fields terminated by '|'
--指定使用自定义的类实现解析
stored as
inputformat 'bigdata.com.congge.hive.mr.UserInputFormat'
outputformat 'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat';

--加载数据
load data local inpath '/usr/local/soft/selectdata/test01.txt' into table singer;

执行过程



检查数据，可以发现通过这种方式也可以成功的将数据加载到表中；



小结

当数据文件中出现多字节分隔符或者数据中包含了分隔符时，会导致数据加载与实际表的字段不匹配的问题，基于这个问题我们提供了三种方案：

替换分隔符；
正则加载RegexSerde；
自定义InputFormat；
其中替换分隔符无法解决数据字段中依然存在分隔符的问题，自定义InputFormat的开发成本较高，所以整体推荐使用正则加载的方式来实现对于特殊数据的处理。

四、URL解析函数
业务需求中，经常需要对用户的访问、用户的来源进行分析，用于支持运营和决策。例如对用户访问的页面进行统计分析，分析热门受访页面的Top10，观察大部分用户最喜欢的访问最多的页面等。如下截取的是统计到的一个关于网站访问地址稍微汇总数据。



业务上，需要对用户访问的页面进行统计分析，比如说：分析热门受访页面的Top10，观察大部分用户最喜欢的访问最多的页面等，然后通过图表的方式展示出来，以支撑运营和商业决策等；

4.1 URL基本组成
要想实现上面的受访分析、来源分析等业务，必须在实际处理数据的过程中，对用户访问的URL和用户的来源URL进行解析处理，获取用户的访问域名、访问页面、用户数据参数、来源域名、来源路径等信息。

在对URL进行解析时，我们要先了解URL的基本组成部分，再根据实际的需求从URL中获取对应的部分，例如一条URL由以下几个部分组成：



试想如果要将上面这个完整的URL的各个部分解析出来，你会怎么做呢？可以通过正则，或者字段分割，或者截取等方式达到目的，但这些都不是最好的方式，Hive中为了实现对URL的解析，专门提供了解析URL的函数parse_url和parse_url_tuple，在show functions中可以看到对应函数；



4.1.1 parse_url
语法格式

parse_url(url, partToExtract[, key]) - extracts a part from a URL

Parts: HOST, PATH, QUERY, REF, PROTOCOL, AUTHORITY, FILE, USERINFO key

比如尝试使用该函数解析上面图中的URL，可以看到HOST部分就被解析出来了；



或者解析参数信息

SELECT parse_url('http://www.congge.com/api/user/get?userId=001&name=jerry', 'QUERY');

SELECT parse_url('http://www.congge.com/api/user/get?userId=001&name=jerry', 'QUERY', 'name');


4.1.2 问题分析
上面这种解析方式，每次解析时只能解析出其中一个参数，也就是说，该函数为普通的一对一函数类型。如果想一次解析多个参数，需要使用多次函数，这就带来了很大的不便，这时候，parse_url_tuple函数就派上用场了。

4.1.3 parse_url_tuple
parse_url_tuple函数是Hive中提供的基于parse_url的url解析函数，可以通过一次指定多个参数，从URL解析出多个参数的值进行返回多列，函数为特殊的一对多函数类型，即通常所说的UDTF函数类型。

语法格式

parse_url_tuple(url, partname1, partname2, ..., partnameN) - extracts N (N>=1) parts from a URL；

It takes a URL and one or multiple partnames, and returns a tuple；

4.1.4 案例操作演示
创建一张表并加载数据

drop table if exists tb_url;
--建表
create table tb_url(
id int,
url string
)row format delimited
fields terminated by '\t';

--加载数据
load data local inpath '/usr/local/soft/selectdata/url.txt' into table tb_url;
执行过程



检查数据是否加载成功



接下来体验下parse_url_tuple函数的使用

解析host和path

select parse_url_tuple(url,"HOST","PATH") as (host,path) from tb_url;



解析出 PROTOCOL,HOST和PATH

select parse_url_tuple(url,"PROTOCOL","HOST","PATH") as (protocol,host,path) from tb_url;



解析查询参数

select parse_url_tuple(url,"HOST","PATH","QUERY") as (host,path,query) from tb_url;


————————————————

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

原文链接：https://blog.csdn.net/congge_study/article/details/129097136