Hive学习笔记-分隔符处理

hive默认是只支持单字符的分隔符，默认单字符是\001。当然你也可以在创建表格时指定数据的分割符号。如：

create table user(name string, password string) row format delimited fields terminated by '\t'。

通过这种方式，完成分隔符的指定。

如果你想要支持多字符的分隔符可以通过如下方式：

1、自定义一个 InputFormat ，重写 InputFormat 中 RecordReader 类中的 next 方法.。当然这是输入的时候调用的，输出的时候也是可以设定不同的分隔符的。方法和输入一样，自定义一个OutputFormat，不过这里要注意的是：自定义的OutputFormat必须要实现HiveOutputFormat接口，重写 OutputFormat 中 RecordWriter 中的 write 方法，这里可以参考HiveIgnoreKeyTextOutputFormat类。Hive的InputFormat/OutputFormat与Hadoop 的InputFormat/OutputFormat相当类似，InputFormat负责把输入的数据进行格式化或转换处理，然后提供给Hive，OutputFormat 负责把 Hive输出的数据重新格式化成目标格式再输出到文件，这种对格式进行定制的方式较为底层。重写完成后打包成jar，放入到Hive目录的lib文件夹下面。

public synchronized boolean next(LongWritable key, Text value)  
	            throws IOException {  
	 while (pos < end) {  
	       key.set(pos);  
	       int newSize = lineReader.readLine(value, maxLineLength,  
	           	Math.max((int) Math.min(Integer.MAX_VALUE, end - pos), maxLineLength));  
	       if (newSize == 0)  return false;  
	       String str = value.toString().toLowerCase().replaceAll("::", ":");  
	       value.set(str);  
	       pos += newSize;  
	       if (newSize < maxLineLength)  return true;  
	 }  
	 return false;  
}  

@Override
public void write(Writable r) throws IOException {
	if (r instanceof Text) {
		Text tr = (Text) r;
		String strReplace = tr.toString().toLowerCase().replace(":", "::");
		Text txtReplace = new Text();
		txtReplace.set(strReplace);
		outStream.write(txtReplace.getBytes(), 0, txtReplace.getLength());
		outStream.write(finalRowSeparator);
	} else {
		BytesWritable bw = (BytesWritable) r;
		outStream.write(bw.get(), 0, bw.getSize());
		outStream.write(finalRowSeparator);
	}
}

需要重新进入shell模式，在创建表的时候如下操作：

create table user(username string,password string)   
row format delimited  
fields terminated by ':'   
stored as
INPUTFORMAT 'org.platform.utils.bigdata.hive.CustomInputFormat'  
OUTPUTFORMAT 'org.platform.utils.bigdata.hive.CustomOutputFormat';  

2、通过 SerDe(serialize/deserialize) ，在数据序列化和反序列化时格式化数据。 这种方式比较复杂一点，对数据的控制能力也要弱一些，它使用正则表达式来匹配和处理数据，性能也会有所影响。但它的优点是可以自定义表属性信息SERDEPROPERTIES，在 SerDe 中通过这些属性信息可以有更多的定制行为。参考示例：

create table user(username string,password string,nickname string) 
row format serde 'org.apache.hadoop.hive.contrib.serde2.RegexSerDe' 
with serdeproperties (
'input.regex'='([^:]*)::([^:]*)::([^:]*)',
'output.format.string'='%1$s %2$s %3$3') 
stored as textfile;