当使用Hive创建表的时候一般需要根据实际的数据内容进行编写映射,当数据项内容与目标分隔符存在冲突时往往会难以进行处理,所以可以通过SERDEPROPERTIES配置属性来定义表中的数据格式,以便Hive能够进行数据的操作,一般会使用正则表达式来进行编写,并且正则表达式为Java形式的。
例如处理如下数据(原文件为csv文件,如下为提取的部分内容)
首选肯定要使用英文逗号当做列分隔符,不难发现content中的逗号为中文逗号,所以不会对操作产生错误影响,但tagList中的逗号为英文逗号,所以会出现错误结果的情况,但是tagList中的数据是以英文双引号包含起来的,所以可以通过SERDEPROPERTIES配置属性特判此双引号,并且由于原文件为csv文件,还需要进行类型转换,具体实现代码如下(为方便,数据类型均设为string类型)
CREATE TABLE movie (
cityName STRING,
content STRING,
score STRING,
sureViewed STRING,
tagList STRING,
userLevel STRING,
vipType STRING,
gender STRING
)
ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.RegexSerDe'
WITH SERDEPROPERTIES (
"input.regex" = "(.*?),(.*?),(.*?),(.*?),\"(.*?)\",(.*?),(.*?),(.*?)$",
"output.format.string" = "%1$s,%2$s,%3$s,%4$s,%5$s,%6$s,%7$s,%8$s"
)
STORED AS TEXTFILE;
其中(.*?)表示非贪婪匹配任意字符的数量,直到下一个匹配项出现,
\"(.*?)\" 表示匹配一对双引号之间的任意字符的模式。具体解释如下:
\":表示一个双引号字符。在正则表达式中,双引号通常需要进行转义,所以用 \" 表示一个双引号字符。
(.*?):表示一个非贪婪捕获组,用于匹配任意数量的字符(包括零个字符),直到遇到下一个双引号为止。.*? 表示任意数量的任意字符(包括零个字符),? 表示非贪婪匹配,即尽可能少地匹配字符,以确保在匹配到下一个双引号之前停止匹配。
因此,\"(.*?)\" 表示一个包含一对双引号之间的任意字符的文本模式,用于匹配输入中的双引号括起来的文本。
如此便可解决上述存在的问题。(运行结果图如下)