如何通过列名而不是按列顺序从多个CSV在AWS Athena中创建表

Question

我想在AWS Athena中创建一个存储在S3中的多个CSV文件的表格。

CSV具有带列名称的标题行。 我的问题是每个CSV中的列的顺序不同，我希望按名称获取列。

当我在Athena中尝试普通的CREATE TABLE时，我得到前两列。

CREATE EXTERNAL TABLE `test`(
  `id` string, 
  `name` string)
ROW FORMAT SERDE 
  'org.apache.hadoop.hive.serde2.OpenCSVSerde' 
WITH SERDEPROPERTIES ( 
  'escapeChar'='\\', 
  'quoteChar'='\"', 
  'separatorChar'=',') 
STORED AS INPUTFORMAT 
  'org.apache.hadoop.mapred.TextInputFormat' 
OUTPUTFORMAT 
  'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat'
LOCATION
  's3://...'
TBLPROPERTIES (
  'has_encrypted_data'='false')

这是一个例子：

csv 1：

+----+-------+-------+---------+
| id | name  | price | comment |
+----+-------+-------+---------+
|  1 | shirt |   123 | abc     |
|  2 | shoes |   222 | ddd     |
+----+-------+-------+---------+

csv 2：

+----+------+-------+-------+---------+
| id | size | price | color |  name   |
+----+------+-------+-------+---------+
|  5 | L    |   100 | red   | shirt   |
|  6 | S    |    55 | white | t-shirt |
+----+------+-------+-------+---------+

我想要的表格：

+----+---------+
| id |  name   |
+----+---------+
|  1 | shirt   |
|  2 | shoes   |
|  5 | shirt   |
|  6 | t-shirt |
+----+---------+

我得到的表格：

+----+-------+
| id | name  |
+----+-------+
|  1 | shirt |
|  2 | shoes |
|  5 | L     |
|  6 | S     |
+----+-------+

由于

Answer 1

对于不同的CSV，我会使用两个不同的表（您需要将CSV存储在不同的文件夹中）。

最后，为了获得id，两个CSV的名称结构我都会使用VIEW来合并来自不同表的必要列。

Answer 2

IMO，Glue Crawler没有设置以选择列名并使用它们来定义表的架构，这有点遗憾。我们遇到了这个问题（S3中同一文件夹中的模式更改），这是我们解决的方法。

注意-如果您可以将架构（标题顺序）映射到特定的S3路径，则以下解决方案有效。

源数据

我们有四个文件。 a.csv和b.csv共享相同的架构，而c.csv和d.csv具有不同的架构。

$ cat a.csv
a,b
1,2
3,4
$ cat b.csv
a,b
5,6
3,4
$ cat c.csv
a,b,c
1,2,3
4,5,6
$ cat d.csv
a,c,d,x
6,7,8,9
1,2,3,4

这些保存在S3中：

$ aws s3 ls s3://example-s3-bucket/
2019-01-04 09:47:42         12 a.csv
2019-01-04 09:49:49         12 b.csv
2019-01-04 09:49:53         18 c.csv
2019-01-04 09:49:56         24 d.csv

为每个架构创建一个表

为每个架构创建一个表，只需在其中传递相同的S3位置即可。

请注意，为简便起见，我省略了定界符和字段分隔符的定义。

create external table athena_testing_ab (
  a int,
  b int
)
LOCATION 's3://example-s3-bucket/'
;

create external table athena_testing_c (
  a int,
  b int,
  c int
)
LOCATION 's3://example-s3-bucket/'
;

create external table athena_testing_d (
  a int,
  c int,
  d int,
  x int
)
LOCATION 's3://example-s3-bucket/'
;

使用UNION s查询所有表

我们现在查询这3个表，并将它们全部UNION一起查询，并为每个表筛选适当的S3路径。

您可能想使用正则表达式或子字符串解析来更优雅地对$PATH进行过滤，尤其是在存储桶中有成百上千个文件的情况下。

select
  a,
  b,
  null as c,
  null as d,
  null as x
from
  athena_testing_ab
where "$PATH" in  ('s3://example-s3-bucket/a.csv', 's3://example-s3-bucket/b.csv')

union all

select
  a,
  b,
  c,
  null as d,
  null as x
from
  athena_testing_c
where "$PATH" in  ('s3://example-s3-bucket/c.csv')

union all

select
  a,
  null as b,
  c,
  d,
  x
from
  athena_testing_d
where "$PATH" in  ('s3://example-s3-bucket/d.csv')

Answer 3

将文件放在不同的文件夹中，并使用Glue Crawler创建数据存储区。

Answer 4

使用胶水爬虫。这将有所帮助。