解决hive中导入text文件遇到的坑

时间：2021-05-14 python教程查看: 743

今天帮一同学导入一个excel数据，我把excel保存为txt格式，然后建表导入，失败！分隔符格式不匹配，无法导入！！！！怎么看两边都是\t，怎么不匹配呢？

做为程序员，最不怕的就是失败，因为我们有一颗勇敢的心！再来！又特么失败。。。

想了好久，看看了看我的表格式，我犯了一个好低级的错误：

hive表的存储格式设置为了orcfile!!!

众所周知：orcfile为压缩格式，可以节约大量存储空间，但orc还有个特点就是不能直接load数据！要想load数据，我们要建一个存储格式为textfile的中间表，然后再把数据抽取过去。因为这个错误太简单，网上有相关科普，因此很少有把它当错误写出来。遇到问题的朋友们可能要走些弯路，我来补个漏~~~~~~

举个栗子：

1.首先，导出excel表格为txt格式，（这个过程不再赘述，网上教程一大把）。

123,小明,666,1990-09-23 12:00:18
256,小伙,555,1989-10-06 03:57:32
142,小兰,444,1992-07-04 05:05:45

2.在hive中创建表模型：

CREATE TABLE IF NOT EXISTS STUDENTS
(
ID INT COMMENT'学生',
SNAME STRING COMMENT '姓名',
SCORE INT COMMENT '得分',
STIME STRING COMMENT '考试时间'
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ','
STORED AS ORCFILE;

3.创建临时表（中间表）：

CREATE TABLE IF NOT EXISTS STUDENTS_TMP
(
ID INT COMMENT'学生',
SNAME STRING COMMENT '姓名',
SCORE INT COMMENT '得分',
STIME STRING COMMENT '考试时间'
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ','
STORED AS TEXTFILE;

与目标表只有名称和存储格式不同，其他都相同。

4.load 数据到临时表：

load data local inpath '/export/data/1.txt' into table students_tmp;

5.将数据导入目标表：

insert overwrite table students select * from students_tmp;

6.然后查看表数据，大功造成：

hive > select * from students;
OK
123 小明 666 1990-09-23 12:00:18
256 小伙 555 1989-10-06 03:57:32
142 小兰 444 1992-07-04 05:05:45
Time taken: 0.26 seconds, Fetched: 3 row(s)

其他存储格式如 SEQUENCEFILE、PARQUET 等，也要选存储为textfile格式，然后抽入目标表。

一定要按照导出格式的分隔符建表，不然load数据必然出错或全是null;

excel导出格式：

格式 分隔符 中文名称
text \t  制表符
csv , 逗号

7.还要注意一点是我们从excel导出的文件格式是gb2312 （无论是txt还是csv都是这个格式，都需要转码），我们需要把它转成utf-8才能Load。

所以在load之前，我们一般会采取两种办法：

1. 在文本编辑器中进行转码，带不带bom关系不大，然后上传;

2.在文件所在本地目录下执行以下命令转码：

piconv -f gb2312 -t UTF-8 1.txt > 2.txt

注意，在本地目录下命令转码会改变文件名，因为此命令会把所文件写入到另一个文件，并清空原文件内容，如果我们不改名，文件内容会完全丢失。所以，我们Load的时候一定要选择修改后的文件名哦。

示例：

转码前数据：

hive> select * from students;
OK
112С��352017/8/19 15:30
113����45
114³��552017/8/21 15:30
115����NULL
116������752017/8/23 15:30
117������852017/8/24 15:30
118�˽�NULL2017/8/25 15:30
119������90
120СѾNULL2017/8/27 15:30
121����802017/8/28 15:30
122��߸75
123��«��702017/8/30 15:30
124����NULL2017/8/31 15:30
125�繤NULL
126�峤NULL2017/9/2 15:30
127˾��502017/9/3 15:30
128������582017/9/4 15:30
129����662017/9/5 15:30
Time taken: 0.134 seconds, Fetched: 18 row(s)

去所在目录下转码，再Load

piconv -f gb2312 -t UTF-8 2.csv > 3.csv
# 在hive中选择正确的文件Load:
hive> load data local inpath '/export/data/3.csv' into table students;

结果：

hive> select * from students;
OK
112小宝352017/8/19 15:30
113王明45
114鲁班552017/8/21 15:30
115苗苗NULL
116少林寺752017/8/23 15:30
117体育界852017/8/24 15:30
118八戒NULL2017/8/25 15:30
119周芷若90
120小丫NULL2017/8/27 15:30
121海宝802017/8/28 15:30
122哪吒75
123葫芦娃702017/8/30 15:30
124丹枫NULL2017/8/31 15:30
125电工NULL
126村长NULL2017/9/2 15:30
127司机502017/9/3 15:30
128王世间582017/9/4 15:30
129松鼠662017/9/5 15:30
Time taken: 0.106 seconds, Fetched: 18 row(s)

补充：hive导入数据出现NULL

在把hdfs上数据迁移到hive中的表时，若出现数据位NULL，是因为没有指定列分隔符。

由于hive默认的分隔符是/u0001（Ctrl+A）,为了平滑迁移，需要在创建表格时指定数据的分割符号，语法如下：

hive (default)> create external table et (time BIGINT, userid string, content string, urlrank int, urlnum int, url string)
  > partitioned by (filenum int) 
  > row format delimited fields terminated by '\t';

上面创建的是外部表，“导入”数据时可以用load，但若不想进行移动数据，就用命令alter来进行指向：

alter table et add partition (filenum=1) location '/input/SogouQueryLog/file1';

注意location后面跟的地址必须是个目录，若不是，可以用hdfs fs -mv src dest 进行移动数据：

hadoop fs -mv /input/SogouQueryLog/querylog_1 /input/SogouQueryLog/file1

以上为个人经验，希望能给大家一个参考，也希望大家多多支持python博客。如有错误或未考虑完全的地方，望不吝赐教。

pandas |

展开全文