amazon-web-services - 将数据加载到 Amazon Redshift Spectrum 时删除双引号

Question

我想将数据加载到亚马逊红移外部表。数据为 CSV 格式并带有引号。我们是否有类似 REMOVEQUOTES 之类的东西，我们在 redshift 外部表的复制命令中拥有它。还有什么是在外部表中加载固定长度数据的不同选项。

Answer 1

要创建外部 Spectrum 表，您应该参考CREATE TABLEAthena 提供的语法。要加载由双引号转义的 CSV，您应该使用以下行作为您的ROW FORMAT

ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.OpenCSVSerde'
WITH SERDEPROPERTIES (
    'separatorChar' = ',',
    'quoteChar' = '\"',
    'escapeChar' = '\\'
)

对于固定长度的文件，您应该使用 RegexSerDe。在这种情况下，您的语句的相关部分CREATE TABLE将如下所示（假设 3 个长度为 100 的字段）。

ROW FORMAT SERDE 'org.apache.hadoop.hive.contrib.serde2.RegexSerDe'
WITH SERDEPROPERTIES ("input.regex" = "(.{100})(.{100})(.{100})")

Answer 2

您还可以使用正则表达式来解析由多个字符包围的数据。示例（在 CSV 文件中，字段由三重双引号 (""") 包围）：

ROW FORMAT SERDE 'org.apache.hadoop.hive.contrib.serde2.AbstractSerDe'
WITH SERDEPROPERTIES (
    'input.regex' = "^\"*([^\"]*)\"*,\"*([^\"]*)\"*,\"*([^\"]*)\"*,\"*([^\"]*)\"*,\"*([^\"]*)\"*,\"*([^\"]*)\"*,\"*([^\"]*)\"*,\"*([^\"]*)\"*,\"*([^\"]*)\"*$"  ) 
)