Question

我遇到了问题并且真的需要帮助。

以下是我的数据集

"counter","qid","i","qs","qt","tags","qvc","qac","aid","j","as","at"
"1",563355,62701,0,1235000081,"php,error,gd,image-processing",220,2,563372,67183,2,1235000501
"2",563356,15842,10,1235000140,"lisp,scheme,clojure",1047,16,563358,15842,3,1235000177

所有列都以'，'分隔，第六列是标记，这是一个由'，'分隔的2到5个标记的列表。我尝试使用标记作为字符串创建表，也作为字符串数组创建表，两者都给我标记列表中的第一个值（在本例中为php和lisp），其余列为null 。

"1" 563355  62701   0   1235000081  "php    NULL    NULL    NULL    220 2   563372
"2" 563356  15842   10  1235000140  "lisp   NULL    NULL    NULL    1047    16  563358

期望的输出：

"1" 563355  62701   0   1235000081  "php,error,gd,image-processing" 220 2   563372
"2" 563356  15842   10  1235000140  "lisp,scheme,clojure"   1047    16  563358

我做了一些研究，发现我可以编写一个REGEXSERDE模式来读取数据，我是新手，我不知道如何编写正则表达式模式。正则表达式旁边还有其他方法吗？如果没有，有人可以帮我写一个正则表达式吗？

提前谢谢你。

Answer 1

Easiest way to do this will be change ',' delimiter with something else

Other approach will be to use Open csv serde which will help you do this

Answer 2

您可以使用Hive外部表

create external table try3.tablename(
counter string,
qid int,
i int,
qs int,
qt int,
tags string,
qac int,
aid int )
ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.RegexSerDe'
WITH SERDEPROPERTIES (
  'input.regex' = '(.*?),(.*?),(.*?),(.*?),(.*?),(\".*\"),(.*?),(.*?),.*'
)
STORED AS TEXTFILE
LOCATION '/somelocation'

加载错误Hive的其他记录之间的字符串列表

2 个答案: