关于Hive正则技术处理比较规范的日志数据

ABT日志入库记录

1.确认文件内容格式

文件内容有两种记录格式

格式一：（分流结果）

2018-07-03 06:50:00,142 [XNIO-2 task-28] INFO  com.leeyk99.bi.abt.rest.CoreApiController - 1A42F7C6_B904_A334_AB87_5A69A7034DA0  PcRealClass 66 158

数据结构：

数据之间空格分隔,，cid、uid都可能为空。

格式二：（接口信息）

2018-07-03 20:39:46,043 [XNIO-2 task-211] INFO  com.leeyk99.bi.abt.filter.LogFilter - GET  /api/v1/bi/abt?cid=973EA838_E20E_74E4_41AB_E218DA91D73E&uid=&site=mtw&terminal=Leeyk99-M&lan=zh-tw took 1ms and returned 200

这个暂时不需要，故不入库。

2.入库建表语句及正则表达式

需要创建表记录分流结果。

表一：ABT-分流结果表（日）

--不能删表，否则日志文件就没了。

create table ods.ods_abt_exp_results_di(

log_time string,

abt_class string,

client_id string,

user_id string,

poskey_id string,

exp_id string,

branch_id string

)

partitioned by (dt string)

row format serde 'org.apache.hadoop.hive.contrib.serde2.RegexSerDe'

with serdeproperties ('input.regex'='([0-9\\-\\s:,]+)s*\\[XNIO\\-[0-9]+ task\\-[0-9]+\\]\\sINFO\\s*(.*) \\- ([\\w]*)\\s([\\w]*)\\s([\\w\\-]*)\\s([0-9]+) ([0-9]+)')

stored as textfile;

（为什么不能删表，因为我们是通过指定文件位置来添加数据的，删表就删除文件了；如果是从本地文件系统Load进去的，可以直接删除重建；如果源文件是在HDFS或S3文件系统上，也不能轻易删表，因为load是移动文件。）

如果正则表达式不对，可以修改：

alter table  ods.ods_abt_exp_results_di set  serdeproperties ('input.regex'='([0-9\\-\\s:,]+)s*\\[XNIO\\-[0-9]+ task\\-[0-9]+\\]\\sINFO\\s*(.*) \\- ([\\w]*)\\s([\\w]*)\\s([\\w\\-]*)\\s([0-9]+) ([0-9]+)');

一般不会因为正则不表达式建表失败，如果失败，先执行：

add jar s3://dsdata01/bi/etl/udf/hive-contrib.jar;

3.日志文件入库
如果日志文件在集群存储系统外部，则需要Load进表或者使用创建外部表的方式。
ABT日志在AWS S3存储上，可以直接增加分区，指定到相应的位置。
该方法会导致表中有很多无用记录。（不符合正则的为NULL）

alter table ods.ods_abt_exp_results_di add partition (dt='20180702') location 's3://dsdata01/flume/abtcore/20180702';

如果这样操作后，就不能轻易drop表了，会导致数据丢失。

查看有效的数据：

add jar s3://dsdata01/bi_wh/etl/udf/hive-contrib.jar;
select * from ods.ods_abt_exp_results_di a where dt='20180702' abt_class='com.leeyk99.bi.abt.rest.CoreApiController' limit 1;

该方法会导致表中有很多无用记录，不符合正则的为NULL。这是什么原因呢？

因为我们添加的目录位置中，文件中的内容包含两种，一个是分流结果，一个是接口请求信息，而我们配置的正则是分流结果的，因此接口请求信息在表里的数据就是NULL. 在实际开发中，我们可以在后续加一段代码过滤掉即可。

如果源文件是单独的，就不会出现这种情况啦。