Hive学习:Hive导入字段带逗号和换行符的CSV文件

Hive Handler Csv

• • 一、字段带逗号
  • 二、字段带换行符
  • 三、字段带逗号和换行符

    一、字段带逗号

    100,"600,000,000.00",李世民
    

    比如上面这行数据,字段"600,000,000,00"带多个逗号,这个可以用hive中内置的语句来解决,使用OpenCSVSerde来解析CSV格式的数据，并指定了CSV文件中使用的分隔符、引号字符和转义字符

    row format serde 'org.apache.hadoop.hive.serde2.OpenCSVSerde'
    with serdeproperties (
        'separatorChar' = ',',
        'quoteChar' = '\"',
        'escapeChar' = '\'
    ) 
    

    • ‘separatorChar’ = ‘,’：指定CSV文件中使用的分隔符为逗号（,）
    • ‘quoteChar’ = ‘"’：指定CSV文件中使用的引号字符为双引号（"）
    • ‘escapeChar’ = ‘\’：指定CSV文件中使用的转义字符为反斜杠（\）

      这段代码表示分隔符为逗号,""中间的逗号不进行处理

      二、字段带换行符

      Name,Age,Address
      Alice,25,"123 Main St.
      Apt. 456"
      Bob,30,"789 Oak St."
      

      比如上面这段数据,本来是两条数据,但第一条数据第三个字段中间多了个换行符,在load data进hive的时候就变成了三条数据

      网上找了很久,没有看到hive能直接处理这种字段中间带换行符的方式,所以只能对csv文件进行预处理

      1、用shell脚本sed命令正则表达式匹配替换""中间的换行符

      2、用其它语言脚本处理csv文件替换换行符

      #!/usr/bin/python
      # -*- coding:utf-8 -*-
       
      #处理csv文件中换行符等特殊字符（\r\n,\n,\r,\）
      #python csv_handler.py filepath
       
      import os
      import sys
      import csv
      import codecs
      import time
       
      filename = sys.argv[1]
       
      print(time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()),'[', filename.encode('unicode_escape').decode(), ']开始处理')
       
      with open(filename, 'r') as srcFile, open(filename + '.tmp', 'w') as dstFile:
          #读取csv文件的每一行
          fileReader = csv.reader(srcFile)
          fileWriter = csv.writer(dstFile, quoting=csv.QUOTE_ALL)
       
          for d in list(fileReader):
              for ii,dd in enumerate(d):
                  if dd.find('\r\n') != -1:
                      dd = dd.replace('\r\n', ' ')
                  if dd.find('\n') != -1:
                      dd = dd.replace('\n', ' ')
                  if dd.find('\r') != -1:
                      dd = dd.replace('\r', ' ')
                  if dd.find('\') != -1:
                      dd = dd.replace('\', '')
                  d[ii] = dd
              fileWriter.writerow(d)
       
          dstFile.close()
          srcFile.close()
       
      #删除原文件,.tmp文件重命名为原文件
      os.remove(filename)
      os.rename(filename + '.tmp', filename)
       
      print(time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()),'[', filename.encode('unicode_escape').decode(), ']处理完成')
      

      三、字段带逗号和换行符

      • 直接把上面两种结合起来就可以了,建表使用字段带逗号那里的方式,然后预处理CSV文件,最后直接load data即可