关于hive RegexSerDe的源码分析
最近有个业务建表使用了 RegexSerDe，之前虽然也它来解析nginx日志，但是没有做深入的了解。这次看了下其实现方式。
建表语句：
17CREATE external TABLE ods_cart_log
(
time_local STRING,
request_json STRING,
trace_id_num STRING
)
PARTITIONED BY
(
dt string,
hour string
)
ROW FORMAT SERDE 'org.apache.hadoop.hive.contrib.serde2.RegexSerDe'
WITH SERDEPROPERTIES
("input.regex" =
"\\\[(.*?)\\\] .*\\\|(.*?) (.*?) \\\[(.*?)\\\]",
"output.format.string" ="%1$s %2$s %4$s")
STORED AS TEXTFILE;
测试数据：
5[2014-07-24 15:54:54] [6] OperationData.php:
:89|{"action":"add","redis_key_hash":9,"time":"1406188494.73745500","source":"web",
"mars_cid":"","session_id":"","info":{"cart_id":26885,"user_id":4,"size_id":"2784145",
"num":"1","warehouse":"VIP_NH","brand_id":"7379","cart_record_id":26885,"channel":"te"}}
trace_id [40618849399972881308]
这里trace_id_num按照猜想应该是第4个字段(即40618849399972881308)，但是实际输出了第3个字段(trace_id)
查看其代码实现：
RegexSerDe主要由下面三个参数：
1)input.regex 正则
2)output.format.string 输出格式
3)input.regex.case.insensitive 大小写是否敏感
其中input.regex用在反序列化方法中，即数据的读取(hive读取hdfs文件)，相对的output.format.string 用在序列化的方法中，即数据的写入(hive写入hdfs文件)。
在反序列化的方法deserialize中有如下代码，用于返回代表匹配字段的数据：
17 for (int c = 0; c < numColumns; c++) { //numColumns是按表中column的数量算的(
比如这个例子columnNames 是[time_local, request_json, trace_id_num] | numColumns = columnNames.size();
try {
row.set(c, m.group(c + 1)); //可以看到字段的匹配从0开始，中间不会有跳跃，
所以这里select trace_id_num 字段是正则里面的第3个组，而和output.format.string没有关系
} catch (RuntimeException e) {
partialMatchedRows++;
if (partialMatchedRows >= nextPartialMatchedRows) {
nextPartialMatchedRows = getNextNumberToDisplay(nextPartialMatchedRows);
// Report the row
LOG.warn("" + partialMatchedRows
+ " partially unmatched rows are found, " + " cannot find group "
+ c + ": " + rowText);
}
row.set(c, null);
}
}
work around的方法有两个，1个是把所有正则匹配的字段列出，另一个就是更改正则的分组，只拿自己care的分组，比如上面可以改为
1\\\[(.*?)\\\] .*\\\|(.*?) .*? \\\[(.*?)\\\]
这里output.format.string的设置仔细想想貌似没什么用，首先RegexSerDe的方式只在textfile下生效，即可以用load向hive的表中导入数据，但是load是一个hdfs层面的文件操作，不涉及到序列化，如果想使用序列化，需要使用insert into select的方式插入数据，但是这种方式插入的数据又和select的数据有关系，和output.format.string没什么关系了。。
其实regexserde类有两个
分别位于
1./serde/src/java/org/apache/hadoop/hive/serde2/RegexSerDe.java 和
1./contrib/src/java/org/apache/hadoop/hive/contrib/serde2/RegexSerDe.java
都是扩展了AbstractSerDe这个抽象类。通过代码可以看到contrib下的这个类是实现了serialize 和 deserialize 方法，而上面这个只实现了deserialize 方法，由此看来RegexSerDe中的serialize 方法可能是没什么用的。。
另外需要注意几点：
1.如果一行匹配不上，整个行的字段输出都是null
if (!m.matches()) {
unmatchedRows++;
if (unmatchedRows >= nextUnmatchedRows) {
nextUnmatchedRows = getNextNumberToDisplay(nextUnmatchedRows);
// Report the row
LOG.warn("" + unmatchedRows + " unmatched rows are found: " + rowText);
}
return null;
}
2.表的字段类型必须都是string，否则会报错,如果需要别的字段，可以在select中使用cast做转换
for ( int c = 0; c < numColumns ; c++) {
if (!columnTypes.get(c).equals( TypeInfoFactory.stringTypeInfo)) {
throw new SerDeException(getClass().getName()
+ " only accepts string columns, but column[" + c + "] named "
+ columnNames.get(c) + " has type " + columnTypes.get(c));
}
}沈阳看肝病哪个医院好