hive中文字段乱码排查

hive版本为2.1.1-cdh6.2.0,下载地址hive-2.1.1-cdh6.2.0

问题

在orc格式的表中,一些列中存储的是中文,进行select查询时,偶尔会乱码如下所示:

MapReduce Jobs Launched: 
Stage-Stage-1: Map: 1   Cumulative CPU: 3.45 sec   HDFS Read: 5241 HDFS Write: 120 HDFS EC Read: 0 SUCCESS
Total MapReduce CPU Time Spent: 3 seconds 450 msec
OK
��� 2
Time taken: 22.704 seconds, Fetched: 1 row(s)

经过测试,只要是orc格式的表,字段类型为varchar或者char,字段中有中文,进行一些select操作时必乱码,测试语句如下所示:

set hive.fetch.task.conversion=none;  --强制使用yarn调度
set hive.execution.engine=mr; --强制走mr
create table `test_luan_ma`(`name` varchar(100) ) stored as orc;  --建表
insert into table test_luan_ma values('乱');  --插入一条记录
select name, case when name == null then 1 else 2 end as status from test_luan_ma;  --出现乱码的语句

原因调查

在hive的ql模块加入日志,打印出hive mr执行过程,定位到org.apache.hadoop.hive.ql.io.orc.RecordReaderImpl类

    at org.apache.hadoop.hive.ql.io.orc.OrcInputFormat.createReaderFromFile(OrcInputFormat.java:319)
    at org.apache.hadoop.hive.ql.io.orc.OrcInputFormat$OrcRecordReader.<init>(OrcInputFormat.java:226)
    at org.apache.hadoop.hive.ql.io.orc.OrcInputFormat.getRecordReader(OrcInputFormat.java:1696)
    at org.apache.hadoop.hive.ql.io.CombineHiveRecordReader.<init>(CombineHiveRecordReader.java:75)
    at sun.reflect.NativeConstructorAccessorImpl.newInstance0(Native Method)
    at sun.reflect.NativeConstructorAccessorImpl.newInstance(NativeConstructorAccessorImpl.java:62)
    at sun.reflect.DelegatingConstructorAccessorImpl.newInstance(DelegatingConstructorAccessorImpl.java:45)
    at java.lang.reflect.Constructor.newInstance(Constructor.java:423)
    at org.apache.hadoop.hive.shims.HadoopShimsSecure$CombineFileRecordReader.initNextRecordReader(HadoopShimsSecure.java:257)
    at org.apache.hadoop.hive.shims.HadoopShimsSecure$CombineFileRecordReader.<init>(HadoopShimsSecure.java:217)
    at org.apache.hadoop.hive.shims.HadoopShimsSecure$CombineFileInputFormatShim.getRecordReader(HadoopShimsSecure.java:345)
    at org.apache.hadoop.hive.ql.io.CombineHiveInputFormat.getRecordReader(CombineHiveInputFormat.java:702)
    at org.apache.hadoop.mapred.MapTask$TrackedRecordReader.<init>(MapTask.java:175)
    at org.apache.hadoop.mapred.MapTask.runOldMapper(MapTask.java:444)
    at org.apache.hadoop.mapred.MapTask.run(MapTask.java:349)
    at org.apache.hadoop.mapred.YarnChild$2.run(YarnChild.java:174)
    at java.security.AccessController.doPrivileged(Native Method)
    at javax.security.auth.Subject.doAs(Subject.java:422)
    at org.apache.hadoop.security.UserGroupInformation.doAs(UserGroupInformation.java:1875)
    at org.apache.hadoop.mapred.YarnChild.main(YarnChild.java:168)

分析代码发现:
该类中存在next(Object previous)以及nextBatch(VectorizedRowBatch theirBatch)方法,负责将数据写入到MapReduce的value中,
nextBatch(VectorizedRowBatch theirBatch)调用orc包的方法,不会出现乱码,
而next(Object previous)方法会调用nextValue(ColumnVector vector, int row,TypeDescription schema,Object previous)来负责对每一列数据的写入,对于varchar或者char类型的列,
写入过程如下:

    if (vector.isRepeating) {
      row = 0;
    }
    if (vector.noNulls || !vector.isNull[row]) {
      HiveCharWritable result;
      if (previous == null || previous.getClass() != HiveCharWritable.class) {
        result = new HiveCharWritable();
      } else {
        result = (HiveCharWritable) previous;
      }
      BytesColumnVector bytes = (BytesColumnVector) vector;
      result.set(bytes.toString(row), size);
      return result;
    } else {
      return null;
    }

可以看到有个BytesColumnVector类,调用了它的toString方法,跟进后发现直接是new了一个String,并没有指定字符集

  public String toString(int row) {
    if (isRepeating) {
      row = 0;
    }
    if (noNulls || !isNull[row]) {
     return new String(vector[row], start[row], length[row]);
    } else {
      return null;
    }
  }

猜测可能是这里出的问题,继续跟进

    static char[] decode(byte[] ba, int off, int len) {
        String csn = Charset.defaultCharset().name();
        try {
            // use charset name decode() variant which provides caching.
            return decode(csn, ba, off, len);
        } catch (UnsupportedEncodingException x) {
            warnUnsupportedCharset(csn);
        }
        ...

String类中获取了default字符集,然后直接使用该字符集,在BytesColumnVector中添加日志,查看default字符集

    ...
    if (noNulls || !isNull[row]) {
      String str = new String(vector[row], start[row], length[row]);
      LOG.info("@@@ str is {}" , str);
      LOG.info("@@@ defaultCharset is {}" , Charset.defaultCharset().name());
      LOG.info("@@@ file.encoding is {}" , System.getProperty("file.encoding"));
      return str;
     ...
  }

果然,默认字符集是US-ASCII,所以导致字符串乱码

...
2019-11-27 10:18:35,241 INFO [main] org.apache.hadoop.hive.ql.exec.vector.BytesColumnVector: @@@ str is ???
2019-11-27 10:18:35,241 INFO [main] org.apache.hadoop.hive.ql.exec.vector.BytesColumnVector: @@@ defaultCharset is US-ASCII
2019-11-27 10:18:35,241 INFO [main] org.apache.hadoop.hive.ql.exec.vector.BytesColumnVector: @@@ file.encoding is ANSI_X3.4-1968
...

但是很奇怪,写了一个java程序,放到集群中运行,defaultCharset都是UTF-8,不清楚为什么在执行MR过程中defaultCharset是US-ASCII,猜测可能是某些步骤或者程序修改所致

解决方案

方案一:配置yarn mr启动参数,指定UTF-8编码


image.png

方案二:在系统环境变量中强制指定file.encoding为UTF-8,这样每个新启动的java进程的默认字符集都是UTF-8

export JAVA_TOOL_OPTIONS='-Dfile.encoding=UTF-8'

方案三:在hive中对UTF-8的字符串,使用string作为列类型,string类型在处理过程中,默认使用UTF-8进行编解码

方案四:修改hive storage-api模块中的BytesColumnVector代码,强制使用UTF-8进行编解码,重新编译 storage-api和ql模块(ql依赖storage-api,要先编译storage-api),替换掉hive集群hive-storage-api-2.1.1-cdh6.2.0.jar和hive-exec-2.1.1-cdh6.2.0.jar,重启集群

  public String toString(int row) {
    if (isRepeating) {
      row = 0;
    }
    if (noNulls || !isNull[row]) {
      return new String(vector[row], start[row], length[row], StandardCharsets.UTF_8);
    } else {
      return null;
    }
  }

方案五:使用textfile或者parquet等格式,这些文件格式默认使用UTF-8进行编解码

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
平台声明:文章内容(如有图片或视频亦包括在内)由作者上传并发布,文章内容仅代表作者本人观点,简书系信息发布平台,仅提供信息存储服务。
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 227,797评论 6 531
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 98,179评论 3 414
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 175,628评论 0 373
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 62,642评论 1 309
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 71,444评论 6 405
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 54,948评论 1 321
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 43,040评论 3 440
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 42,185评论 0 287
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 48,717评论 1 333
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 40,602评论 3 354
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 42,794评论 1 369
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 38,316评论 5 358
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 44,045评论 3 347
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 34,418评论 0 26
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 35,671评论 1 281
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 51,414评论 3 390
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 47,750评论 2 370