1

尝试通过直线将格式良好的 ~80GB 文本文件（CHR 01 分隔）加载到 Hive 中：

beeline -u "<connector:server:port>;principal=<principal_name>"  \
-e "LOAD DATA INPATH '/path/to/hdfs/dir' OVERWRITE INTO TABLE database.tableName;"

该表是使用正确/适当的架构和数据类型（100 列）创建的，具有以下参数：

ROW FORMAT DELIMITED
FIELDS TERMINATED BY '\001'
STORED AS TEXTFILE;

加载数据时，似乎所有列都具有正确的信息 - 至少与输入的数量级相同（数百万条记录），列中值的采样与预期值匹配；但是第一列（巧合的是，SKEY）被严重重复 - 因为它被应用于第一次出现以下的记录。

SKEY     ValA ValB ValC ValD
Record1  1    2    3    Apple
Record2  7    12   22   Baseball
Record3  9    28   10   Tennis
Record4  6    2    3    Jeans
...
RecordN  8    4    12   Wishbone
...

变成：

SKEY     ValA ValB ValC ValD
Record1  1    2    3    Apple
Record1  7    12   22   Baseball
Record1  9    28   10   Tennis
....
Record4  6    2    3    Jeans
Record4  8    4    12   Wishbone
...

任何人都有克服这个问题的经验，或者对根本原因有所了解？我相信我可以使用另一种格式（即/AVRO）获得更好的结果，但这有点不令人满意。

将文本文件导入 Hive 是否有最大限制？

4

1 回答 1

1

列键的数据类型是什么？

--查看boethius评论后更新--

我建议您使用 String、big int 或 decimal 作为主键。使用 float 你会失去精度。例如，如果您有两个键 8611317762 和 8611317761。我怀疑它们都是浮点数，它们都被解释为 8.611317762 x 10^10。这就是为什么 distinct 返回错误答案的原因。

于 2017-05-11T23:42:15.187 回答