我尝试从保存到 HDFS 中的 CSV 文件创建表格。问题是 csv 包含引号内的换行符。 CSV 格式的记录示例:
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 什么是不正确的。你知道如何解决吗?谢谢大家。
最佳答案
目前没有办法直接在配置单元中处理多行 csv。 但是,有一些解决方法:
使用
\n
生成一个 csv或\r\n
替换为您自己的换行符,例如<\br>
.您将能够在配置单元中加载它。然后通过将后者替换为前者来转换生成的文本使用 spark,它有一个多行 csv 阅读器。这可以解决问题,而 csv 不会以分布式方式读取。
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")
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。
关于hadoop - 来自 CSV 的 Hive 表。引号中的行终止,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/48763661/