版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/somTian/article/details/74010429
默认分隔符问题
问题描述:
将hive中表A的内容查询出来存放到另外表B时,发现字段错位,有些字段的内容分成了几部分存在后面的字段中去
原因
原因是hive默认的分隔符为“/u0001”,而表A中有一个字段的内容中间有“/u0001”,因此导致了问题的出现
解决方法
修改了表B的默认分隔符:
CREATE TABLE b row format delimited fields terminated by '\t' as
SELECT * FROM a limit 100;
彻底解决:
或者建表时将表存储格式改成ORC,ORC格式不需要分隔符,彻底解决问题
CREATE TABLE b row format delimited fields terminated by '\t' stored as orc as
SELECT * FROM a limit 100;
hive中表的存储格式
- textfile
Hive的默认存储格式
存储方式:行存储
磁盘开销大 数据解析开销大
压缩的text文件 hive无法进行合并和拆分
- SequenceFile
二进制文件以key,value的形式序列化到文件中
存储方式:行存储
可分割 压缩
一般选择block压缩
优势是文件和Hadoop api中的mapfile是相互兼容的
- rcfile
存储方式:数据按行分块 每块按照列存储
压缩快 快速列存取
读记录尽量涉及到的block最少
读取需要的列只需要读取每个row group 的头部定义。
读取全量数据的操作 性能可能比sequencefile没有明显的优势
- orc
存储方式:数据按行分块 每块按照列存储
压缩快 快速列存取
效率比rcfile高,是rcfile的改良版本
- 自定义格式
用户可以通过实现inputformat和 outputformat来自定义输入输出格式