json - Hive为Fluentd Apache日志数据创建表语句

Question

我正在使用Fluentd捕获和合并HDFS中的Apache日志数据。我将代理配置为将数据写入HDFS，即/etc/td-agent/td-agent.conf文件包含:

<source>
  type tail
  path /var/log/httpd/access_log
  pos_file /var/log/td-agent/httpd-access.log.pos
  tag apache.access
  format apache2
</source>

<match apache.access>
  type webhdfs
  host fqdn.of.name.node
  port 50070
  path /data/access_logs/access.log.%Y%m%d_%H.${hostname}.log
  flush_interval 10s
</match>

我为 Fluentd documentation启用了HDFS附加。数据流完美地跨越。在过去的几周中，它一直在无故障地流式传输数百万笔交易。

数据存储在包含以下行的文件中:

2015-01-10T17:00:00Z    apache.access   {"host":"155.96.21.4","user":null,"method":"GET","path":"/somepage/index.html","code":200,"size":8192,"referer":null,"agent":"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.1; WOW64; Trident/7.0; SLCC2; .NET CLR 2.0.50727; .NET4.0C; .NET4.0E)"}

每行包含三个制表符分隔的元素:

时间戳

标识标签

JSON，其中包含Apache日志

中各列的键/值对

我正在尝试创建一个Hive表，但不确定如何处理它是由制表符分隔的字符串和每行JSON混合而成的事实。我知道Hive有一个JSON解串器，但是我认为这行不通，因为记录不是纯JSON。

有人对如何为此数据编写创建表语句有建议吗？

Answer 1

尝试将以下参数添加到out_wedhdfs配置中:

output_data_type json

这应该记录在案。我将尽快更新文档。