Уличная нагрузка CSV с запятыми в цитируемых полях

Я пытаюсь загрузить CSV файл в таблицу Hive, например:

CREATE TABLE mytable
(
num1 INT,
text1 STRING,
num2 INT,
text2 STRING
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ",";

LOAD DATA LOCAL INPATH '/data.csv'
OVERWRITE INTO TABLE mytable;


Csv разделяется запятой (,) и выглядит следующим образом:

1, "some text, with comma in it", 123, "more text"

Это приведет к возврату поврежденных данных, поскольку в первой строке есть символ ",".
Есть ли способ установить разделитель текста или заставить Hive игнорировать "," в строках?

Я не могу изменить разделитель csv, поскольку он извлекается из внешнего источника.

Ответы

Ответ 1

Проблема заключается в том, что Hive не обрабатывает цитируемые тексты. Вам либо необходимо предварительно обработать данные, изменив разделитель между полями (например: с помощью задания Hadoop-streaming), либо вы также можете попробовать использовать CSV SerDe, который использует OpenCSV для анализа файлов.

Ответ 2

Если вы можете повторно создать или проанализировать свои входные данные, вы можете указать escape-символ для CREATE TABLE:

ROW FORMAT DELIMITED FIELDS TERMINATED BY "," ESCAPED BY '\\';

Будет принимать эту строку как 4 поля

1,some text\, with comma in it,123,more text

Ответ 4

сохранить разделитель в одинарных кавычках, он будет работать.

ROW FORMAT DELIMITED 
FIELDS TERMINATED BY ','
LINES TERMINATED BY '\n';

Это будет работать

Ответ 5

Добавьте обратную косую черту в FIELDS TERMINATED BY '\;'

Пример:

CREATE  TABLE demo_table_1_csv
COMMENT 'my_csv_table 1'
ROW FORMAT DELIMITED
FIELDS TERMINATED BY '\;'
LINES TERMINATED BY '\n'
STORED AS TEXTFILE
LOCATION 'your_hdfs_path'
AS 
select a.tran_uuid,a.cust_id,a.risk_flag,a.lookback_start_date,a.lookback_end_date,b.scn_name,b.alerted_risk_category,
CASE WHEN (b.activity_id is not null ) THEN 1 ELSE 0 END as Alert_Flag 
FROM scn1_rcc1_agg as a LEFT OUTER JOIN scenario_activity_alert as b ON a.tran_uuid = b.activity_id;

Я протестировал его, и он сработал.

Ответ 6

ORG.APACHE.HADOOP.HIVE.SERDE2.OPENCSVSERDE Serde работал для меня. Мой разделитель был '|' и один из столбцов заключен в двойные кавычки.

Запрос:

CREATE EXTERNAL TABLE EMAIL(MESSAGE_ID STRING, TEXT STRING, TO_ADDRS STRING, FROM_ADDRS STRING, SUBJECT STRING, DATE STRING)
ROW FORMAT SERDE 'ORG.APACHE.HADOOP.HIVE.SERDE2.OPENCSVSERDE'
WITH SERDEPROPERTIES (
     "SEPARATORCHAR" = "|",
     "QUOTECHAR"     = "\"",
     "ESCAPECHAR"    = "\""
)    
STORED AS TEXTFILE location '/user/abc/csv_folder';