AWS 雅典娜。不能使用 CSV 清单作为位置

Question

我正在尝试在 Athena 中创建一个外部 table，问题是 s3 存储桶在同一文件夹中有不同的文件，所以我无法使用该文件夹作为位置。

我无法修改 s3 文件的路径，但我有一个 CSV 清单，我试图将其用作一个位置，但 Athena 不允许我这样做。

CREATE EXTERNAL TABLE `my_DB`.`my_external_table`(
    column1 string,
    column2 string
  )
ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.OpenCSVSerde'
WITH SERDEPROPERTIES (
   'separatorChar' = ',',
   'quoteChar' = '\"',
   'escapeChar' = '\'
   )
STORED AS INPUTFORMAT 
  'org.apache.hadoop.mapred.TextInputFormat' 
OUTPUTFORMAT 
  'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat'
LOCATION
  's3://mys3bucket/tables/my_table.csvmanifest'
TBLPROPERTIES (
  'has_encrypted_data'='false', 
  'skip.header.line.count'='1')

有什么想法可以使用我的清单吗？或者没有雅典娜的另一种方法来解决这个问题？使用 Athena 的目的是避免从 CSV 中获取所有数据，因为我只需要很少的记录

Answer 1

您需要对 CREATE TABLE 语句进行一些更改：

使用 'org.apache.hadoop.hive.ql.io.SymlinkTextInputFormat' 作为您的 INPUTFORMAT
确保您使用 LOCATION 语句指向一个文件夹

所以你的陈述看起来像：

CREATE EXTERNAL TABLE `my_DB`.`my_external_table`(
    column1 string,
    column2 string
  )
ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.OpenCSVSerde'
WITH SERDEPROPERTIES (
   'separatorChar' = ',',
   'quoteChar' = '\"',
   'escapeChar' = '\'
   )
STORED AS INPUTFORMAT 
  'org.apache.hadoop.hive.ql.io.SymlinkTextInputFormat' 
OUTPUTFORMAT 
  'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat'
LOCATION
  's3://mys3bucket/tables/my_table/'

并且 s3://mys3bucket/tables/my_table/ 将在其中包含一个文件，其中包含您要查询的 CSV 文件的 S3 路径 - 每行一个路径。我不确定 skip.header.line.count 设置是否对清单文件本身或 CSV 文件起作用，因此您必须进行测试。

或者，如果您的文件数量有限，您可以使用 S3 Select 查询这些文件中的特定列，一次一个。使用 AWS CLI，提取第二列的命令类似于：

aws s3api select-object-content \
  --bucket mys3bucket \
  --key path/to/your.csv.gz \
  --expression "select _2 from s3object limit 100" \
  --expression-type SQL \
  --input-serialization '{"CSV": {}, "CompressionType": "GZIP"}' \
  --output-serialization '{"CSV":{}}' \
  sample.csv

（免责声明：AWS 员工）

AWS 雅典娜。不能使用 CSV 清单作为位置

AWS Athena. Can't use CSV manifest as a location

amazon-web-services

csv

amazon-s3

manifest

amazon-athena