Hive学习:Hive导入字段带逗号和换行符的CSV文件

一、字段带逗号

100,"600,000,000.00",李世民

比如上面这行数据,字段"600,000,000,00"带多个逗号,这个可以用hive中内置的语句来解决,使用OpenCSVSerde来解析CSV格式的数据，并指定了CSV文件中使用的分隔符、引号字符和转义字符

row format serde 'org.apache.hadoop.hive.serde2.OpenCSVSerde'
with serdeproperties (
    'separatorChar' = ',',
    'quoteChar' = '\"',
    'escapeChar' = '\\'
) 

• ‘separatorChar’ = ‘,’：指定CSV文件中使用的分隔符为逗号（,）
• ‘quoteChar’ = ‘"’：指定CSV文件中使用的引号字符为双引号（"）
• ‘escapeChar’ = ‘\’：指定CSV文件中使用的转义字符为反斜杠（\）

这段代码表示分隔符为逗号,""中间的逗号不进行处理

二、字段带换行符

Name,Age,Address
Alice,25,"123 Main St.
Apt. 456"
Bob,30,"789 Oak St."

比如上面这段数据,本来是两条数据,但第一条数据第三个字段中间多了个换行符,在load data进hive的时候就变成了三条数据
网上找了很久,没有看到hive能直接处理这种字段中间带换行符的方式,所以只能对csv文件进行预处理
1、用shell脚本sed命令正则表达式匹配替换""中间的换行符
2、用其它语言脚本处理csv文件替换换行符

#!/usr/bin/python
# -*- coding:utf-8 -*-
 
#处理csv文件中换行符等特殊字符（\r\n,\n,\r,\\）
#python csv_handler.py filepath
 
import os
import sys
import csv
import codecs
import time
 
filename = sys.argv[1]
 
print(time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()),'[', filename.encode('unicode_escape').decode(), ']开始处理')
 
with open(filename, 'r') as srcFile, open(filename + '.tmp', 'w') as dstFile:
    #读取csv文件的每一行
    fileReader = csv.reader(srcFile)
    fileWriter = csv.writer(dstFile, quoting=csv.QUOTE_ALL)
 
    for d in list(fileReader):
        for ii,dd in enumerate(d):
            if dd.find('\r\n') != -1:
                dd = dd.replace('\r\n', ' ')
            if dd.find('\n') != -1:
                dd = dd.replace('\n', ' ')
            if dd.find('\r') != -1:
                dd = dd.replace('\r', ' ')
            if dd.find('\\') != -1:
                dd = dd.replace('\\', '')
            d[ii] = dd
        fileWriter.writerow(d)
 
    dstFile.close()
    srcFile.close()
 
#删除原文件,.tmp文件重命名为原文件
os.remove(filename)
os.rename(filename + '.tmp', filename)
 
print(time.strftime("%Y-%m-%d %H:%M:%S", time.localtime()),'[', filename.encode('unicode_escape').decode(), ']处理完成')

三、字段带逗号和换行符

• 直接把上面两种结合起来就可以了,建表使用字段带逗号那里的方式,然后预处理CSV文件,最后直接load data即可