LazySimpleSerDe pour fichiers CSV, TSV et avec séparateur personnalisé

La spécification de cette interface SerDe est facultative. Il s'agit de l'interface SerDe pour les données aux formats CSV, TSV et avec séparateur personnalisé qu'Athena utilise par défaut. Cette interface SerDe est utilisée si vous ne spécifiez aucune interface SerDe et indiquez uniquement ROW FORMAT DELIMITED. Utilisez cette interface SerDe si vos données ne comportent pas de valeurs entre guillemets.

Pour obtenir de la documentation de référence sur LazySimpleSerDe, consultez la section SerDe Hive du Guide du développeur Apache Hive.

Nom de bibliothèque

Le nom de la bibliothèque de classes pour LazySimpleSerDe est org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe. Pour obtenir des informations sur la classe LazySimpleSerDe, consultez LazySimpleSerDe.java sur GitHub.com.

Omission des en-têtes

Pour ignorer les en-têtes dans vos données lorsque vous définissez une table, vous pouvez utiliser la propriété de table skip.header.line.count, comme dans l'exemple suivant.

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

Pour des exemples, voir les instructions CREATE TABLE dans Interrogation des journaux de flux Amazon VPC et Interrogation des journaux Amazon CloudFront .

Exemple CSV

L'exemple suivant montre comment utiliser le LazySimpleSerDe pour créer une table dans Athena à partir de données CSV. Pour désérialiser des fichiers délimités personnalisés à l'aide de ce SerDe, suivez le modèle des exemples mais utilisez la clause FIELDS TERMINATED BY pour spécifier un autre délimiteur à un seul caractère. LazySimpleSerde ne prend pas en charge les délimiteurs multi-caractères.

Note

Remplacez myregion dans s3://athena-examples-myregion/path/to/data/ par l'identifiant de région dans lequel vous exécutez Athena, par exemple, s3://athena-examples-us-west-1/path/to/data/.

Utilisez l'instruction CREATE TABLE pour créer une table Athena à partir données CSV sous-jacentes stockées dans Simple Storage Service (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/';

Exécutez l'instruction MSCK REPAIR TABLE pour actualiser les métadonnées de la partition à chaque ajout d'une nouvelle partition à cette table :

MSCK REPAIR TABLE flight_delays_csv;

Recherchez les 10 principaux itinéraires dont le retard dépasse 1 heure :

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

Note

Les données du tableau des vols proviennent des Vols fournis par le ministère américain des transports, Bureau of Transportation Statistics (Bureau des statistiques des transports). Désaturé de l'original.

Exemple TSV

Pour créer une table Athena à partir de données TSV stockées dans Amazon S3, utilisez ROW FORMAT DELIMITED et spécifiez le \t comme délimiteur de champs de tabulation, \n comme séparateur de ligne et \ comme caractère d'échappement. L'extrait suivant montre cette syntaxe. Aucun exemple de données de vol TSV n'est disponible sur l'emplacement athena-examples, mais comme dans le cas de la table CSV, vous devez exécuter MSCK REPAIR TABLE pour actualiser les métadonnées de partition chaque fois qu'une nouvelle partition est ajoutée.

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