У меня есть правило AWS IoT, которое отправляет входящий JSON в Kinesis Firehose.
Все данные JSON из моей публикации IoT находятся в одной строке, например:
{"count":4950, "dateTime8601": "2017-03-09T17:15:28.314Z"}
Раздел «Тест» IoT в пользовательском интерфейсе администратора позволяет публиковать сообщение, по умолчанию используется следующее (обратите внимание на формат многострочного JSON):
{
"message": "Hello from AWS IoT console"
}
Я транслирую Firehose на S3, который затем преобразуется EMR в столбчатый формат, который в конечном итоге будет использоваться Athena.
Проблема в том, что во время преобразования в формат столбцов Hive (в частности, JSON SerDe) не может обрабатывать объект JSON, который занимает более одной строки. Это приведет к увеличению конверсии, а не к преобразованию хороших однострочных записей JSON.
Мой вопрос:
- Как настроить FireHose для игнорирования многострочного JSON?
- Если это невозможно, как сообщить Hive об удалении новых строк перед загрузкой в таблицу или, по крайней мере, перехватить исключения и попытаться продолжить?
Я уже пытаюсь игнорировать искаженный JSON при определении таблицы Hive:
DROP TABLE site_sensor_data_raw;
CREATE EXTERNAL TABLE site_sensor_data_raw (
count int,
dateTime8601 timestamp
)
PARTITIONED BY(year int, month int, day int, hour int)
ROW FORMAT serde 'org.apache.hive.hcatalog.data.JsonSerDe'
with serdeproperties (
'ignore.malformed.json' = 'true',
"timestamp.formats"="yyyy-MM-dd'T'HH:mm:ss.SSS'Z',millis"
)
LOCATION 's3://...';
Вот мой полный HQL, который выполняет преобразование:
--Example of converting to OEX/columnar formats
DROP TABLE site_sensor_data_raw;
CREATE EXTERNAL TABLE site_sensor_data_raw (
count int,
dateTime8601 timestamp
)
PARTITIONED BY(year int, month int, day int, hour int)
ROW FORMAT serde 'org.apache.hive.hcatalog.data.JsonSerDe'
with serdeproperties (
'ignore.malformed.json' = 'true',
"timestamp.formats"="yyyy-MM-dd'T'HH:mm:ss.SSS'Z',millis"
)
LOCATION 's3://bucket.me.com/raw/all-sites/';
ALTER TABLE site_sensor_data_raw ADD PARTITION (year='2017',month='03',day='09',hour='15') location 's3://bucket.me.com/raw/all-sites/2017/03/09/15';
ALTER TABLE site_sensor_data_raw ADD PARTITION (year='2017',month='03',day='09',hour='16') location 's3://bucket.me.com/raw/all-sites/2017/03/09/16';
ALTER TABLE site_sensor_data_raw ADD PARTITION (year='2017',month='03',day='09',hour='17') location 's3://bucket.me.com/raw/all-sites/2017/03/09/17';
DROP TABLE to_orc;
CREATE EXTERNAL TABLE to_orc (
count int,
dateTime8601 timestamp
)
STORED AS ORC
LOCATION 's3://bucket.me.com/orc'
TBLPROPERTIES ("orc.compress"="ZLIB");
INSERT OVERWRITE TABLE to_orc SELECT count,dateTime8601 FROM site_sensor_data_raw where year=2017 AND month=03 AND day=09 AND hour=15;