hive之SerDe

hive之SerDe

Table of Contents

• 1. 什么是SerDe
• 2. 序列化方式
• 3. 序列化的使用
  • 3.1. 建表时指定序列化方式

1 什么是SerDe

SerDe 是两个单词的拼写 serialized(序列化) 和 deserialized(反序列化)。 什么是序列化和反序列化呢？

当进程在进行远程通信时，彼此可以发送各种类型的数据，无论是什么类型的数据都会以 二进制序列的形式在网络上传送。发送方需要把对象转化为字节序列才可在网络上传输， 称为对象序列化；接收方则需要把字节序列恢复为对象，称为对象的反序列化。

Hive的反序列化是对key/value反序列化成hive table的每个列的值。Hive可以方便 的将数据加载到表中而不需要对数据进行转换，这样在处理海量数据时可以节省大量的时间。

在读写行数据时，流程如下:

- 读
HDFS files --> InputFileFormat --> <key, value> --> Deserializer --> Row object
- 写
Row object --> Serializer --> <key, value> --> OutputFileFormat --> HDFS files

当向hdfs写数据的时候，先经过序列化，将数据转化成字节序列,然后以指定的格式(outputformat) 输出到hdfs. 而从hdfs读数据时，则是一个相反的过程。

2 序列化方式

hive 中内置了多种序列化方式。同时也支持自定义。这里只说明几种内置的序列化方式:

对于JSON文件，在Hive 0.12.0中添加了JsonSerDe。Amazon SerDe可以在s3://elasticmapreduce/samples/hive-ads/libs/jsonserde.jar中获得，用于0.12.0之前的版本。 在Hive 0.9.1中添加了Avro SerDe。 从Hive 0.14.0开始，其规范隐含在STORED AS AVRO子句中。 在Hive 0.11.0中添加了ORC文件格式的SerDe。 Parive的SerDe通过Hive 0.10中的插件添加，并在Hive 0.13.0中原生添加。 在Hive 0.14中添加了支持 CSV 的SerDe。

SerDe 类型	是否内	库	说明	支持版本
LazySimpleSerDe	内置	org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe	用来处理文本文件格式：TEXTFILE ，默认的处理方式。
ColumnarSerDe	内置	org.apache.hadoop.hive.serde2.columnar.ColumnarSerDe	处理RCFile
RegexSerDe	内置	org.apache.hadoop.hive.serde2.RegexSerDe	用来处理文本文件的内置 JAVA 正则表达式 SerDe
HBaseSerDe	内置		允许 Hive 跟 HBase 进行集成。我们可以利用 HBaseSerDe 来将 Hive 表存储到 HBase 中
AvroSerDe	内置		在 Hive 表中读写 Avro 数据格式的数据。	0.9.1
			参考http://avro.apache.org/
ParquetHiveSerDe	内置	org.apache.hadoop.hive.ql.io.parquet.serde.ParquetHiveSerDe	在 Hive 中读写 Parquet 数据格式的数据	0.13
OpenCSVSerDe	内置	org.apache.hadoop.hive.serde2.OpenCSVSerde	读写CSV数据，源码:https://github.com/ogrodnek/csv-serde	0.14
JSONSerDe	内置	org.apache.hadoop.hive.serde2.JsonSerDe	可以通过Hive 读取 JSON 数据	3.0.0
		不需要指定库，CREATE TABLE my_table(…) STORED AS JSONFILE;		4.0.0
		org.apache.hive.hcatalog.data.JsonSerDe	可以通过Hive 读取 JSON 数据	0.12 later
ORC	内置	org.apache.hadoop.hive.ql.io.orc.OrcSerde	RCFILE 的改良版	O.11
thrift	内置
MultiDelimitSerDe	内置	org.apache.hadoop.hive.contrib.serde2.MultiDelimitSerDe	处理多种分隔符的textfile.

3 序列化的使用

 

3.1 建表时指定序列化方式

• RegexSerDe

    CREATE TABLE apachelog (
    host STRING,
    identity STRING,
    user STRING,
    time STRING,
    request STRING,
    status STRING,
    size STRING,
    referer STRING,
    agent STRING)
  ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.RegexSerDe'
  WITH SERDEPROPERTIES (
    "input.regex" = "([^]*) ([^]*) ([^]*) (-|\\[^\\]*\\]) ([^ \"]*|\"[^\"]*\") (-|[0-9]*) (-|[0-9]*)(?: ([^ \"]*|\".*\") ([^ \"]*|\".*\"))?"
  )
  STORED AS TEXTFILE;
  

• JsonSerDe

  ADD JAR /usr/lib/hive-hcatalog/lib/hive-hcatalog-core.jar;
  

CREATE TABLE my_table(a string, b bigint, …)
ROW FORMAT SERDE ‘org.apache.hive.hcatalog.data.JsonSerDe’
STORED AS TEXTFILE;

• CSVSerDe

  CREATE TABLE my_table(a string, b string, ...)
  ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.OpenCSVSerde'
  WITH SERDEPROPERTIES (
     "separatorChar" = "\t",
     "quoteChar"     = "'",
     "escapeChar"    = "\\"
  )
  STORED AS TEXTFILE;
  

• ORCSerDe

  create table my_table(a string,b string, ...) stored as orc;
  

• 其他 我们一般不再使用其他的序列化方式。以上几种基本满足日常需求。 MetadataTypedColumnsetSerDe 处理csv类的文件，我们一般使用CSVSserDe.