在测试hive的load性能时,我们在建表时指定使用 | 作为分隔符。这样就需要考虑一个问题:如果外部文本中 | 作为文本内容出现时,如何区分到底是分隔符还是清虚文本内容。
首先测试hive是否能智能区分分隔符与文本内容,结果表明:当分隔符与文本内容相同时,会产生数据混淆问题。
SQL如何解决这一问题
参考链接: 如何在sqlldr中导入多字符分隔符文件
SQL中对此的解决办法是采用多字符分隔符,以降低产生数据混淆的概率。
Hive中对这一问题的解决思路与SQL相同
然而hive中默认只支持单字符分割符,如果指定多字符分隔符将会报错。
参考链接: hive如何处理多分隔符数据
hive处理日志,自定义inputformat
hive创建表指定分隔符,不支持多个字符作为分隔符
解决办法:
1. 利用hive自带的序列化/反序列化的方式RegexSe
这种方式稍微复杂一点,对数据的控制能力也要弱一些,它使用正则表达式来匹配和处明橘理数据,性能也会有所影响。但它的优点是可以自定义表属性信息激正团 SERDEPROPERTIES ,在 SerDe 中通过这些属性信息可以有更多的定制行为。
2. 自定义 outputformat 和 inputformat
Hive 的 outputformat/inputformat 与 hadoop 的 outputformat/inputformat 相当类似, inputformat 负责把输入数据进行格式化,然后提供给 Hive,outputformat 负责把 Hive 输出的数据重新格式化成目标格式再输出到文件,这种对格式进行定制的方式较为底层,对其进行定制也相对简单,重写 InputFormat 中 RecordReader 类中的 next 方法即可。
问题信息如下:
在HiveServer2服务所在的ip-186-31-5-190.fayson.com服务器/data目录下创建a.txt数据文件
在cdh04服务器上使用beeline连接ip-186-31-5-190.fayson.com的HiveServer2服务,执行Load命令
总结
大数据视局灶坦频推荐:
腾讯课堂
CSDN
大数据语音推荐:
企业级大数据技术应用
大数据机器学习案例之推荐系辩仿统
自然语桐桐言处理
大数据基础
人工智能:深度学习入门到精通
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)