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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
CREATE 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：
|
1
2
3
4
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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
for
(
int
c =
0
; c < numColumns; c++) {
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
));
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);
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
|
1
2
3
4
5
6
7
8
9
|
if
(!m.matches()) {
unmatchedRows++;
if
(unmatchedRows >= nextUnmatchedRows) {
nextUnmatchedRows = getNextNumberToDisplay(nextUnmatchedRows);
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
|
1
2
3
4
5
6
7
|
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));
}
}
|
本文转自菜菜光 51CTO博客，原文链接：http://blog.51cto.com/caiguangguang/1532987，如需转载请自行联系原作者
