Lazy Simple SerDe para CSV, TSV y archivos con delimitación personalizada

Como este es el valor de SerDe predeterminado en Athena para los datos con formato CSV, TSV o con delimitación personalizada, su especificación es opcional. En la instrucción CREATE TABLE, si no se especifica un valor de SerDe y solo especifica ROW FORMAT DELIMITED, Athena utilizará este valor de SerDe. Use este SerDe si los datos no tienen valores entre comillas.

Para obtener documentación de referencia sobre Lazy Simple SerDe, consulte la sección Hive SerDe de la Guía para desarrolladores de Apache Hive.

Nombre de la biblioteca de serialización

El nombre de la biblioteca de serialización de Lazy Simple SerDe es org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe. Para obtener información sobre el código fuente, consulte LazySimpleSerDe.java en GitHub.com.

Ignorar encabezados

Para ignorar los encabezados en los datos cuando defina una tabla, puede utilizar la propiedad de tabla skip.header.line.count, como en el siguiente ejemplo.

TBLPROPERTIES ("skip.header.line.count"="1")

Para ver ejemplos en los que se omitan los encabezados, consulte las instrucciones CREATE TABLE en Consulta de los registros de flujo de Amazon VPC y Consultas de registros de Amazon CloudFront.

Ejemplo de CSV

En los siguientes ejemplos se muestra cómo utilizar la biblioteca LazySimpleSerDe para crear una tabla en Athena a partir de datos CSV. Para deserializar archivos delimitados personalizados mediante este SerDe, siga el patrón de los ejemplos, pero utilice la cláusula FIELDS TERMINATED BY para especificar un delimitador de un solo carácter diferente. Lazy Simple SerDe no admite delimitadores de múltiples caracteres.

nota

Reemplace myregion en s3://athena-examples-myregion/path/to/data/ por el identificador de región donde se ejecuta Athena, por ejemplo, s3://athena-examples-us-west-1/path/to/data/.

Utilice la instrucción CREATE TABLE para crear una tabla de Athena a partir de datos subyacentes en formato CSV almacenados en Amazon S3.

CREATE EXTERNAL TABLE flight_delays_csv (
    yr INT,
    quarter INT,
    month INT,
    dayofmonth INT,
    dayofweek INT,
    flightdate STRING,
    uniquecarrier STRING,
    airlineid INT,
    carrier STRING,
    tailnum STRING,
    flightnum STRING,
    originairportid INT,
    originairportseqid INT,
    origincitymarketid INT,
    origin STRING,
    origincityname STRING,
    originstate STRING,
    originstatefips STRING,
    originstatename STRING,
    originwac INT,
    destairportid INT,
    destairportseqid INT,
    destcitymarketid INT,
    dest STRING,
    destcityname STRING,
    deststate STRING,
    deststatefips STRING,
    deststatename STRING,
    destwac INT,
    crsdeptime STRING,
    deptime STRING,
    depdelay INT,
    depdelayminutes INT,
    depdel15 INT,
    departuredelaygroups INT,
    deptimeblk STRING,
    taxiout INT,
    wheelsoff STRING,
    wheelson STRING,
    taxiin INT,
    crsarrtime INT,
    arrtime STRING,
    arrdelay INT,
    arrdelayminutes INT,
    arrdel15 INT,
    arrivaldelaygroups INT,
    arrtimeblk STRING,
    cancelled INT,
    cancellationcode STRING,
    diverted INT,
    crselapsedtime INT,
    actualelapsedtime INT,
    airtime INT,
    flights INT,
    distance INT,
    distancegroup INT,
    carrierdelay INT,
    weatherdelay INT,
    nasdelay INT,
    securitydelay INT,
    lateaircraftdelay INT,
    firstdeptime STRING,
    totaladdgtime INT,
    longestaddgtime INT,
    divairportlandings INT,
    divreacheddest INT,
    divactualelapsedtime INT,
    divarrdelay INT,
    divdistance INT,
    div1airport STRING,
    div1airportid INT,
    div1airportseqid INT,
    div1wheelson STRING,
    div1totalgtime INT,
    div1longestgtime INT,
    div1wheelsoff STRING,
    div1tailnum STRING,
    div2airport STRING,
    div2airportid INT,
    div2airportseqid INT,
    div2wheelson STRING,
    div2totalgtime INT,
    div2longestgtime INT,
    div2wheelsoff STRING,
    div2tailnum STRING,
    div3airport STRING,
    div3airportid INT,
    div3airportseqid INT,
    div3wheelson STRING,
    div3totalgtime INT,
    div3longestgtime INT,
    div3wheelsoff STRING,
    div3tailnum STRING,
    div4airport STRING,
    div4airportid INT,
    div4airportseqid INT,
    div4wheelson STRING,
    div4totalgtime INT,
    div4longestgtime INT,
    div4wheelsoff STRING,
    div4tailnum STRING,
    div5airport STRING,
    div5airportid INT,
    div5airportseqid INT,
    div5wheelson STRING,
    div5totalgtime INT,
    div5longestgtime INT,
    div5wheelsoff STRING,
    div5tailnum STRING
)
    PARTITIONED BY (year STRING)
    ROW FORMAT DELIMITED
      FIELDS TERMINATED BY ','
      ESCAPED BY '\\'
      LINES TERMINATED BY '\n'
    LOCATION 's3://athena-examples-myregion/flight/csv/';

Ejecute MSCK REPAIR TABLE para actualizar los metadatos de la partición cada vez que se añada una partición nueva a esta tabla:

MSCK REPAIR TABLE flight_delays_csv;

Consulte las 10 principales rutas que tengan un retraso de más de 1 hora:

SELECT origin, dest, count(*) as delays
FROM flight_delays_csv
WHERE depdelayminutes > 60
GROUP BY origin, dest
ORDER BY 3 DESC
LIMIT 10;

nota

Los datos de la tabla de vuelos provienen de Vuelos proporcionados por la Oficina de Estadísticas del Transporte del Departamento de Transporte de los Estados Unidos. Desaturado del original.

Ejemplo de TSV

Para crear una tabla de Athena a partir de los datos de TSV almacenados en Amazon S3, utilice ROW FORMAT DELIMITED y especifique \t como delimitador del campo de pestañas, \n como separador de líneas y \ como carácter de escape. En el siguiente fragmento se muestra esta sintaxis. No hay ningún ejemplo de datos de vuelo de TSV disponibles en la ubicación athena-examples, pero al igual que con la tabla CSV, debería ejecutar MSCK REPAIR TABLE para actualizar los metadatos de partición cada vez que se agregue una partición nueva.

...
ROW FORMAT DELIMITED
FIELDS TERMINATED BY '\t'
ESCAPED BY '\\'
LINES TERMINATED BY '\n'
...