amazon-athena - 如何将带有 NULL 值的引用 CSV 读入 Amazon Athena

Question

我正在尝试使用存储在 S3 上的引用 CSV 文件在 Athena 中创建一个外部表。问题是，我的 CSV 包含列中的缺失值，这些值应该被读取为 INT。简单的例子:

CSV:

id,height,age,name
1,,26,"Adam"
2,178,28,"Robert"

创建表定义:

CREATE EXTERNAL TABLE schema.test_null_unquoted (
  id INT,
  height INT,
  age INT,
  name STRING
)
ROW FORMAT 
SERDE 'org.apache.hadoop.hive.serde2.OpenCSVSerde'
WITH SERDEPROPERTIES (
'separatorChar' = ",",
'quoteChar' = '"',
'skip.header.line.count' = '1'
)
STORED AS TEXTFILE
LOCATION 's3://mybucket/test_null/unquoted/'

CREATE TABLE语句运行良好，但一旦我尝试查询表，我就会收到 HIVE_BAD_DATA: Error parsing field value '' .

我尝试使 CSV 看起来像这样(引用空字符串):

"id","height","age","name"
1,"",26,"Adam"
2,178,28,"Robert"

但它不起作用。

尝试指定 'serialization.null.format' = ''在 SERDEPROPERTIES - 不工作。

尝试通过 TBLPROPERTIES ('serialization.null.format'='') 指定相同的内容——还是什么都没有。

当您将所有列指定为 STRING 时，它会起作用但这不是我需要的。

因此，问题是，是否有无论如何使用正确的列规范读取引用的 CSV(引用很重要，因为我的真实数据要复杂得多)到 Athena？

Answer 1

处理这些数据的快速而肮脏的方式:

CSV:

id,height,age,name
1,,26,"Adam"
2,178,28,"Robert"
3,123,34,"Bill, Comma"
4,183,38,"Alex"

DDL:

CREATE EXTERNAL TABLE stackoverflow.test_null_unquoted (
  id INT,
  height INT,
  age INT,
  name STRING
)
ROW FORMAT DELIMITED
 FIELDS TERMINATED BY ','
 LINES TERMINATED BY '\n' -- Or use Windows Line Endings
LOCATION 's3://XXXXXXXXXXXXX/'
TBLPROPERTIES ('skip.header.line.count'='1')
;

问题是它没有处理最后一个字段中的引号字符。基于 AWS 提供的文档，这是有道理的，因为 LazySimpleSerDe 给出以下来自 Hive .

我怀疑解决方案是使用以下 SerDe org.apache.hadoop.hive.serde2.RegexSerDe .

稍后我将研究正则表达式。

编辑:

正则表达式如 promise :

CREATE EXTERNAL TABLE stackoverflow.test_null_unquoted (
  id INT,
  height INT,
  age INT,
  name STRING
)
ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.RegexSerDe'
WITH SERDEPROPERTIES (
"input.regex" = "(.*),(.*),(.*),\"(.*)\""
)
LOCATION 's3://XXXXXXXXXXXXXXX/'
TBLPROPERTIES ('skip.header.line.count'='1') -- Does not appear to work
;

注:RegexSerDe TBLPROPERTIES ('skip.header.line.count'='1') 似乎无法正常工作.这可能是由于 Hive version由 Athena 或 SerDe 使用。在您的情况下，您可能只排除 ID IS NULL 的行.

延伸阅读:

Stackoverflow - remove surrounding quotes from fields while loading data into hive

Athena - OpenCSVSerDe for Processing CSV