json - Hive 外部表排除违反数据类型的记录

Question

我在 Hive 中有一个外部表，它使用 serde 来处理 json 记录。偶尔会有一个与表 ddl 数据类型不匹配的值，例如表字段定义是int，json有一个字符串值。在查询执行期间，由于类型不匹配，Hive 将正确地抛出此元数据异常错误:

java.lang.RuntimeException: org.apache.hadoop.hive.ql.metadata.HiveException: 
Hive Runtime Error while processing writable

有没有办法将 Hive 设置为忽略这些数据类型违规的记录？

请注意 json 是有效语法，因此设置 serde 属性以忽略格式错误的 json 是不适用的。

示例 DDL:

CREATE EXTERNAL TABLE IF NOT EXISTS test_tbl (
acd         INT,
tzo         INT
 )
ROW FORMAT SERDE 'org.apache.hive.hcatalog.data.JsonSerDe'
STORED AS TEXTFILE
;
ALTER TABLE test_tbl  SET SERDEPROPERTIES ( "ignore.malformed.json" =  "true");

示例数据 - TZO = alpha 记录将导致错误:

{"acd":6,"tzo":4}
{"acd":6,"tzo":7}
{"acd":6,"tzo":"alpha"}

Answer 1

您可以设置 Hive 以容忍可配置数量的故障。

SET mapred.skip.mode.enabled = true;
SET mapred.map.max.attempts = 100; 
SET mapred.reduce.max.attempts = 100;
SET mapred.skip.map.max.skip.records = 30000;
SET mapred.skip.attempts.to.start.skipping = 1

这不是 Hive 特定的，也可以应用于普通的 MapReduce。