Wir möchten die Ergebnisse einer Hive-Abfrage in eine CSV-Datei einfügen. Ich dachte, der Befehl sollte so aussehen:
insert overwrite directory '/home/output.csv' select books from table;
Wenn ich es ausführe, heißt es, dass es erfolgreich abgeschlossen wurde, aber ich kann die Datei nie finden. Wie finde ich diese Datei oder sollte ich die Daten auf andere Weise extrahieren?
Antworten:
Obwohl es möglich ist INSERT OVERWRITE, Daten aus Hive abzurufen, ist dies möglicherweise nicht die beste Methode für Ihren speziellen Fall. Lassen Sie mich zuerst erklären, was INSERT OVERWRITEfunktioniert, und dann die Methode beschreiben, mit der ich tsv-Dateien aus Hive-Tabellen abrufe.
Gemäß dem Handbuch speichert Ihre Abfrage die Daten in einem Verzeichnis in HDFS. Das Format wird nicht csv sein.
In das Dateisystem geschriebene Daten werden als Text mit durch ^ A getrennten Spalten und durch Zeilenumbrüche getrennten Zeilen serialisiert. Wenn eine der Spalten nicht vom primitiven Typ ist, werden diese Spalten in das JSON-Format serialisiert.
Durch eine geringfügige Änderung (Hinzufügen des LOCALSchlüsselworts) werden die Daten in einem lokalen Verzeichnis gespeichert.
INSERT OVERWRITE LOCAL DIRECTORY '/home/lvermeer/temp' select books from table;
Wenn ich eine ähnliche Abfrage ausführe, sieht die Ausgabe folgendermaßen aus.
[lvermeer@hadoop temp]$ ll
total 4
-rwxr-xr-x 1 lvermeer users 811 Aug 9 09:21 000000_0
[lvermeer@hadoop temp]$ head 000000_0
"row1""col1"1234"col3"1234FALSE
"row2""col1"5678"col3"5678TRUE
Persönlich führe ich meine Abfrage normalerweise direkt über Hive in der Befehlszeile für diese Art von Dingen aus und leite sie wie folgt in die lokale Datei:
hive -e 'select books from table' > /home/lvermeer/temp.tsv
Das gibt mir eine durch Tabulatoren getrennte Datei, die ich verwenden kann. Hoffe das ist auch für dich nützlich.
Basierend auf diesem Patch-3682 vermute ich, dass bei Verwendung von Hive 0.11 eine bessere Lösung verfügbar ist, kann dies jedoch nicht selbst testen. Die neue Syntax sollte Folgendes ermöglichen.
INSERT OVERWRITE LOCAL DIRECTORY '/home/lvermeer/temp'
ROW FORMAT DELIMITED
FIELDS TERMINATED BY ','
select books from table;
Hoffentlich hilft das.
Wenn Sie eine CSV-Datei möchten, können Sie die Lösungen von Lukas wie folgt ändern (vorausgesetzt, Sie befinden sich auf einer Linux-Box):
hive -e 'select books from table' | sed 's/[[:space:]]\+/,/g' > /home/lvermeer/temp.csv
Sie sollten die Anweisung CREATE TABLE AS SELECT (CTAS) verwenden, um ein Verzeichnis in HDFS mit den Dateien zu erstellen, die die Ergebnisse der Abfrage enthalten. Danach müssen Sie diese Dateien von HDFS auf Ihre normale Festplatte exportieren und zu einer einzigen Datei zusammenführen.
Möglicherweise müssen Sie auch einige Tricks ausführen, um die Dateien von '\ 001' - getrennt in CSV - zu konvertieren. Sie können eine benutzerdefinierte CSV-SerDe verwenden oder die extrahierte Datei nachbearbeiten.
Sie können verwenden INSERT... DIRECTORY..., wie in diesem Beispiel:
INSERT OVERWRITE LOCAL DIRECTORY '/tmp/ca_employees'
SELECT name, salary, address
FROM employees
WHERE se.state = 'CA';
OVERWRITEund LOCALhaben die gleichen Interpretationen wie zuvor und Pfade werden nach den üblichen Regeln interpretiert. /tmp/ca_employeesAbhängig von der Anzahl der aufgerufenen Reduzierer werden eine oder mehrere Dateien beschrieben .
Ich suchte nach einer ähnlichen Lösung, aber die hier genannten würden nicht funktionieren. Meine Daten enthielten alle Variationen von Leerzeichen (Leerzeichen, Zeilenumbrüche, Tabulatoren) und Kommas.
Um die Sicherheit der Spaltendaten tsv zu gewährleisten, habe ich alle \ t Zeichen in den Spaltendaten durch ein Leerzeichen ersetzt und Python-Code in der Befehlszeile ausgeführt, um eine CSV-Datei zu generieren, wie unten gezeigt:
hive -e 'tab_replaced_hql_query' | python -c 'exec("import sys;import csv;reader = csv.reader(sys.stdin, dialect=csv.excel_tab);writer = csv.writer(sys.stdout, dialect=csv.excel)\nfor row in reader: writer.writerow(row)")'
Dies schuf eine vollkommen gültige CSV. Hoffe, das hilft denen, die nach dieser Lösung suchen.
Sie können die Hive-String-Funktion verwenden CONCAT_WS( string delimiter, string str1, string str2...strn )
zum Beispiel:
hive -e 'select CONCAT_WS(',',cola,colb,colc...,coln) from Mytable' > /home/user/Mycsv.csv
Ich hatte ein ähnliches Problem und so konnte ich es angehen.
Schritt 1 - Laden Sie die Daten aus der Hive-Tabelle wie folgt in eine andere Tabelle
DROP TABLE IF EXISTS TestHiveTableCSV;
CREATE TABLE TestHiveTableCSV
ROW FORMAT DELIMITED
FIELDS TERMINATED BY ','
LINES TERMINATED BY '\n' AS
SELECT Column List FROM TestHiveTable;
Schritt 2 - Kopieren Sie den Blob aus dem Hive-Lager an den neuen Speicherort mit der entsprechenden Erweiterung
Start-AzureStorageBlobCopy
-DestContext $destContext
-SrcContainer "Source Container"
-SrcBlob "hive/warehouse/TestHiveTableCSV/000000_0"
-DestContainer "Destination Container"
-DestBlob "CSV/TestHiveTable.csv"
hive --outputformat=csv2 -e "select * from yourtable" > my_file.csv
oder
hive --outputformat=csv2 -e "select * from yourtable" > [your_path]/file_name.csv
Ändern Sie für tsv in den obigen Abfragen einfach csv in tsv und führen Sie Ihre Abfragen aus
Dies ist die csv-freundlichste Methode, mit der ich die Ergebnisse von HiveQL ausgeben konnte.
Sie benötigen keine grep- oder sed-Befehle, um die Daten zu formatieren. Stattdessen unterstützt hive dies. Sie müssen lediglich ein zusätzliches Tag für das Ausgabeformat hinzufügen.
hive --outputformat=csv2 -e 'select * from <table_name> limit 20' > /path/toStore/data/results.csv
Wenn Sie dies unter Windows tun, können Sie das Python-Skript hivehoney verwenden , um Tabellendaten in die lokale CSV-Datei zu extrahieren.
Es wird:
Führen Sie es so aus:
set PROXY_HOST=your_bastion_host
set SERVICE_USER=you_func_user
set LINUX_USER=your_SOID
set LINUX_PWD=your_pwd
python hh.py --query_file=query.sql
Nur um weitere folgende Schritte nach dem Starten der Abfrage zu behandeln:
INSERT OVERWRITE LOCAL DIRECTORY '/home/lvermeer/temp'
ROW FORMAT DELIMITED
FIELDS TERMINATED BY ','
select books from table;
In meinem Fall haben die generierten Daten im temporären Ordner das deflateFormat und sehen folgendermaßen aus:
$ ls
000000_0.deflate
000001_0.deflate
000002_0.deflate
000003_0.deflate
000004_0.deflate
000005_0.deflate
000006_0.deflate
000007_0.deflate
Hier ist der Befehl, um die Deflate-Dateien zu entpacken und alles in eine CSV-Datei zu packen:
hadoop fs -text "file:///home/lvermeer/temp/*" > /home/lvermeer/result.csv
Ich komme vielleicht zu spät, würde aber bei der Antwort helfen:
Echo "COL_NAME1 | COL_NAME2 | COL_NAME3 | COL_NAME4"> SAMPLE_Data.csv hive -e 'Wählen Sie eine eindeutige Konkat (COL_1, "|", COL_2, "|", COL_3, "|", COL_4) aus table_Name, wo Klausel, falls erforderlich;' >> SAMPLE_Data.csv
Dieser Shell-Befehl druckt das Ausgabeformat in CSV output.txtohne die Spaltenüberschriften.
$ hive --outputformat=csv2 -f 'hivedatascript.hql' --hiveconf hive.cli.print.header=false > output.txt
Verwenden Sie den Befehl:
hive -e "benutze [Datenbankname]; wähle * aus [Tabellenname] LIMIT 10;" > /path/to/file/my_file_name.csv
Ich hatte einen riesigen Datensatz, dessen Details ich zu organisieren und die Arten von Angriffen und die Anzahl der einzelnen Typen zu bestimmen versuchte. Ein Beispiel, das ich für meine Praxis verwendet habe, das funktioniert hat (und etwas mehr Details hatte), sieht ungefähr so aus:
hive -e "use DataAnalysis;
select attack_cat,
case when attack_cat == 'Backdoor' then 'Backdoors'
when length(attack_cat) == 0 then 'Normal'
when attack_cat == 'Backdoors' then 'Backdoors'
when attack_cat == 'Fuzzers' then 'Fuzzers'
when attack_cat == 'Generic' then 'Generic'
when attack_cat == 'Reconnaissance' then 'Reconnaissance'
when attack_cat == 'Shellcode' then 'Shellcode'
when attack_cat == 'Worms' then 'Worms'
when attack_cat == 'Analysis' then 'Analysis'
when attack_cat == 'DoS' then 'DoS'
when attack_cat == 'Exploits' then 'Exploits'
when trim(attack_cat) == 'Fuzzers' then 'Fuzzers'
when trim(attack_cat) == 'Shellcode' then 'Shellcode'
when trim(attack_cat) == 'Reconnaissance' then 'Reconnaissance' end,
count(*) from actualattacks group by attack_cat;">/root/data/output/results2.csv