【Hive】分隔符 『 单字节分隔符 | 多字节分隔符』

1. 概述

在创建表时，可以使用row format ...指定分隔符形式。比如：

create table external student (
    name string,
    age int
);
row format delimited fields terminated by ','

但是，根据原始数据分隔符的复杂程度，需要指定不同的分隔形式。比如：

1. 情况一：分隔符为单字节
   
2. 分隔符为多字节
   
3. 字段中包含了分隔符
   

2. 单字节分隔符

方法：使用delimited关键字

加上delimited关键字，即使用row format delimited：用于处理单分隔符问题

1. fields terminated by ','：每个列之间用,分割
2. collection items terminated by '-'：集合之间的元素用-分割
3. map keys terminated by ':'：键值对之间用:分割
4. lines terminated by '\n'：每一行数据按\n分割

create table external student (
    name string,
    age int
);
row format delimited
	fields terminated by ','
	collection items terminated by '-'
	map keys terminated by ':'
	lines terminated by '\n';

3. 其它复杂情况

方式一：写MR程序进行字符替换转为单字节分隔符问题（不推荐）

不推荐，因此不详细介绍，具体可见：https://www.bilibili.com/video/BV1L5411u7ae?p=112&vd_source=5534adbd427e3b01c725714cd93961af

缺点：

1. 写完替换分隔符的MR程序后，要导成jar包，再上传到hive。跑完替换分隔符的MR程序后，再去跑创建表的MR程序。故需要跑两个MR程序。
2. 改变了原始数据

方式二：自定义InputFormat转为单字节分隔符问题（不推荐）

不推荐，因此不详细介绍，具体可见：https://www.bilibili.com/video/BV1L5411u7ae?p=114&vd_source=5534adbd427e3b01c725714cd93961af

缺点：

1. 在导入数据时进行分隔符的替换。虽然只用跑一个创建表的MR程序。但是也要导jar包，很麻烦。

方式三：使用serde关键字 （推荐）

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。

这里介绍的是：使用RegexSerDe来加载特殊数据的问题，使用正则匹配来加载数据。

那么这一块的难点在于 正则表达式 的构造。 比如：

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 ;