HIVE中的NULL处理

骑猪看日落 2022-03-21 02:51 677阅读 0赞

***背景：***  
*在此记录下使用 **[sqoop][]**将数据从**mysql**导出到 **hive**过程中**需要注意**的几个地方，包括 **NULL值处理**、**增量导入**、**parquet格式的日期类型***

*注：这种数据传输工具其实没必要深究所有用法，用到哪块去研究下就行了*

*Sqoop版本：**1.4.6 - CDH5.13.0***

--------------------

## 一、NULL处理 ##

#### 1. 观察测试 ####

*先看执行语句：*  
`sqoop import --connect jdbc:mysql://10.3.1.4:3308/anti_fraud --username catchd --password Edrayd8^u --table c_apply_info --fields-terminated-by "\t" --lines-terminated-by "\n" --hive-import --hive-overwrite --create-hive-table --hive-database test --hive-table c_apply_info --delete-target-dir -m 1`

*注：**-m 1** 启动 1个map任务来并行导入数据，默认是4个，最好不要将数字设置为高于集群的节点数*

*这是mysql转hive存储为text类型的基本导出语句*

我们注意看mysql中的NULL值在导入成Hive表后是如何存在的：  
![这里写图片描述][70]

我们测试下这个`null`到底是个啥：

*执行 hive语句：*

select * from test.c_apply_info where remark is null
     
      
       1

发现 **无法显示** null字符串的记录！

select * from test.c_apply_info where remark = 'null'
     
      
       1

这种方式才能查找出，说明确实是**null字符串**，并且**在HDFS中也是以null字符串形式存储的**！

#### 2.null字符串转为NULL ####

添加下面两条参数可以实现：

<table> 
 <thead> 
  <tr> 
   <th>param</th> 
   <th align="center">含义</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>–null-string <code>&lt;null-string&gt;</code></td> 
   <td align="center">如果指定列为字符串类型，使用指定字符串替换值为null的该类列的值</td> 
  </tr> 
  <tr> 
   <td>–null-non-string <code>&lt;null-string&gt;</code></td> 
   <td align="center">如果指定列为非字符串类型，使用指定字符串替换值为null的该类列的值</td> 
  </tr> 
 </tbody> 
</table>

*添加后再测试：*

`sqoop import --connect jdbc:mysql://10.3.1.4:3308/anti_fraud --username catchd--password Edrayd8^u --table c_apply_info --fields-terminated-by "\t" --lines-terminated-by "\n" --hive-import --hive-overwrite --create-hive-table --hive-database test --hive-table c_apply_info --delete-target-dir -m 1 --null-string '\\N' --null-non-string '\\N'`

可以看到，加上–null-string语句后，**‘null’ 字符串变成了NULL**:  
![这里写图片描述][70 1]

*执行 hive语句：*

select * from test.c_apply_info where remark is null
     
      
       1

发现这样可以**成功查询出NULL值**

select * from test.c_apply_info where remark = 'NULL'
     
      
       1

而这种方式并不能，说明确实是NULL，而**不是字符串**

由于我们 –null-string 后添加的是 `'\\N'`，那么通过这个能不能查出NULL值呢：

select * from test.c_apply_info where remark = '\N'
    select * from test.c_apply_info where remark = '\\N'
     
      
       1
       2

发现上面这两种方式并不行

**注：**经测试，–null-string 后添加 `'\\N'` 或者 `'NULL'` 都可以！即都可以在hive表中通过is null 的方式查出NULL值，但不同的是`--null-string '\\N'`实际在HDFS中是以`\N`的存储NULL，而`--null-string 'NULL'`实际在HDFS中是以`NULL`的存储NULL

#### 3.扩展 ####

**我们可以通过 serialization.null.format 属性指定 hive的NULL值识别：**

alter table test.c_apply_info SET SERDEPROPERTIES('serialization.null.format' = 'aaa'); 
     
      
       1

通过该语句，我们可以把hive表中的**‘aaa’字符串转化为NULL值**，我们在查询hive表时，原本显示的aaa字符串就会变为NULL！**但实际HDFS存储时还是aaa！**

**注：**该属性value不能为中文！

通过这个也可以实现我们对NULL值处理的某些需求！

--------------------

## 二、增量导入 ##

**核心参数：**

<table> 
 <thead> 
  <tr> 
   <th>param</th> 
   <th align="center">含义</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>–check-column</td> 
   <td align="center">用来指定一些列，这些列在增量导入时用来检查这些数据是否作为增量数据进行导入，和关系型数据库中的自增字段及时间戳类似. 注意:这些被指定的列的类型不能使任意字符类型（在关系数据库中），如char、varchar等类型都是不可以的，同时–check-column可以去指定多个列</td> 
  </tr> 
  <tr> 
   <td>–incremental</td> 
   <td align="center">用来指定增量导入的模式，两种模式分别为Append和Lastmodified</td> 
  </tr> 
  <tr> 
   <td>–last-value</td> 
   <td align="center">指定上一次导入中检查列指定字段最大值，即会导入比lastvalue指定值<strong>大</strong>的数据记录</td> 
  </tr> 
 </tbody> 
</table>

注意：**上面三个参数都必须添加**！

**执行语句：**

`sqoop import --connect jdbc:mysql://10.3.1.4:3308/anti_fraud --username catchd--password EdrwMd8^u --table c_apply_info --fields-terminated-by "\t" --lines-terminated-by "\n" --hive-import --hive-database test --hive-table c_apply_info --incremental lastmodified --check-column update_time --last-value '2018-06-27 00:00:00' -m 1 --null-string '\\N' --null-non-string '\\N'`

以上语句使用 ***lastmodified*** 模式进行增量导入，结果**报错**：

错误信息：`--incremental lastmodified option for hive imports is not supported. Please remove the parameter --incremental lastmodified`

错误原因：Sqoop **不支持** mysql转hive时使用 ***lastmodified*** 模式进行增量导入，但mysql转HDFS时可以支持该方式！

**我们使用append方式导入：**

`sqoop import --connect jdbc:mysql://10.3.1.4:3308/anti_fraud --username catchd--password EdrwMd8^u --table c_apply_info --fields-terminated-by "\t" --lines-terminated-by "\n" --hive-import --hive-database test --hive-table c_apply_info --incremental append--check-column update_time --last-value '2018-06-27 00:00:00' -m 1 --null-string '\\N' --null-non-string '\\N'`

增量导入成功！

--------------------

## 三、指定parquet格式 ##

**执行语句：**

`sqoop import --connect jdbc:mysql://10.3.1.4:3308/anti_fraud --username moercredit --password EdrwM7ayd8^u --table c_apply_info --fields-terminated-by "\t" --lines-terminated-by "\n" --hive-import --hive-overwrite --create-hive-table --hive-database test --hive-table c_apply_info --delete-target-dir -m 1 --null-string '\\N' --null-non-string '\\N' --as-parquetfile --outdir /root/sqoop`

在上面的基础上指定了**parquet文件格式** 和 **java中间文件的目录路径outdir**

**建立完成后查看建表语句：**

show CREATE TABLE test.c_apply_info
     
      
       1

1   CREATE TABLE `test.c_apply_info`( 2 `id` bigint, 3 `cust_id` bigint, 4 `channel_id` bigint, 5 `product_type` int, 6 `apply_amount` string, 7 `apply_period` int, 8 `repayment_type` int, 9 `loan_usage` int, 10 `loan_usage_other` string, ............ 31 `remark` string, 32 `is_deleted` int) 33 ROW FORMAT SERDE 34 'org.apache.hadoop.hive.ql.io.parquet.serde.ParquetHiveSerDe' 35 STORED AS INPUTFORMAT 36 'org.apache.hadoop.hive.ql.io.parquet.MapredParquetInputFormat' 37 OUTPUTFORMAT 38 'org.apache.hadoop.hive.ql.io.parquet.MapredParquetOutputFormat' 39 LOCATION 40 'hdfs://cdh1:8020/user/hive/warehouse/test.db/c_apply_info' 41 TBLPROPERTIES ( 42 'COLUMN_STATS_ACCURATE'='false', 43 'avro.schema.url'='hdfs://cdh1:8020/user/hive/warehouse/test.db/c_apply_info/.metadata/schemas/1.avsc', 44 'kite.compression.type'='snappy', 45 'numFiles'='0', 46 'numRows'='-1', 47 'rawDataSize'='-1', 48 'totalSize'='0', 49 'transient_lastDdlTime'='1534771094')
     
      
       1
       2
       3
       4
       5
       6
       7
       8
       9
       10
       11
       12
       13
       14
       15
       16
       17
       18
       19
       20
       21
       22
       23
       24
       25
       26
       27
       28
       29
       30

关于：`ROW FORMAT SERDE 'org.apache.hadoop.hive.ql.io.parquet.serde.ParquetHiveSerDe'`  
**SerDe** 是Serialize/Deserialize的简称，用于指定序列化和反序列化  
**serde包括内置类型**：Avro、ORC、RegEx、Thrift、Parquet、CSV、JsonSerde  
也可以写一个自定义类 继承 AbstractSerde类，重写initialize和deserialize等方法，然后hive语句：add jar MySerde.jar

**问题：**  
发现 ***mysql*** 中的 ***datetime*** 类型字段create\_time和update\_time都变成了**bigint**类型！  
原来parquet格式和之前默认Text格式不同，之前是把datetime（mysql）转为**string**，parquet是把datetime转化为**bigint**

--------------------

[sqoop]: https://www.baidu.com/s?wd=sqoop&tn=24004469_oem_dg&rsv_dl=gh_pl_sl_csd
[70]: /images/20220321/2403083ef8364c45a4c81740fbd9c543.png
[70 1]: /images/20220321/88c994e71d7d4066b149e52205e4fdef.png