hadoop - Hive 在带引号的字段中使用逗号加载 CSV

Question

我正在尝试将 CSV 文件加载到 Hive 表中，如下所示：

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 由逗号 (,) 分隔，如下所示：

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

这将返回损坏的数据，因为第一个字符串中有一个“，”。
有没有办法设置文本分隔符或让 Hive 忽略字符串中的“，”？

我无法更改 csv 的分隔符，因为它是从外部源中提取的。

Answer 1

如果您可以重新创建或解析您的输入数据，您可以为 CREATE TABLE 指定一个转义字符：

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

将接受此行作为 4 个字段

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

Answer 2

问题是它Hive不处理引用的文本。您需要通过更改字段之间的分隔符来预处理数据（例如：使用 Hadoop 流作业），或者您也可以尝试使用自定义CSV SerDe，它使用 OpenCSV 来解析文件。

Answer 3

从 Hive 0.14 开始，CSV SerDe 是 Hive 安装的标准部分

ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.OpenCSVSerde'

（参见：https ://cwiki.apache.org/confluence/display/Hive/CSV+Serde ）

Answer 4

将分隔符放在单引号中，它将起作用。

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

这将起作用

Answer 5

ORG.APACHE.HADOOP.HIVE.SERDE2.OPENCSVSERDE Serde 为我工作。我的分隔符是“|” 并且其中一列用双引号括起来。

询问：

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';

Answer 6

在 FIELDS TERMINATED BY '\;' 中添加反斜杠

例如：

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;

我已经测试过了，它确实有效。