带有双引号和逗号的 AWS Glue 问题

Question

我有这个 CSV 文件：

reference,address
V7T452F4H9,"12410 W 62TH ST, AA D"

表定义中使用了以下选项

ROW FORMAT SERDE 
  'org.apache.hadoop.hive.serde2.OpenCSVSerde' 
WITH SERDEPROPERTIES ( 
  'quoteChar'='\"', 
  'separatorChar'=',') 

但它仍然无法识别数据中的双引号，并且双引号字段中的逗号弄乱了数据。当我运行 Athena 查询时，结果如下所示

reference     address
V7T452F4H9    "12410 W 62TH ST

我该如何解决这个问题？

Answer 1

看起来您还需要添加escapeChar. AWS Athena docs展示了这个例子：

CREATE EXTERNAL TABLE myopencsvtable (
   col1 string,
   col2 string,
   col3 string,
   col4 string
)
ROW FORMAT SERDE 
'org.apache.hadoop.hive.serde2.OpenCSVSerde'
WITH SERDEPROPERTIES (
   'separatorChar' = ',',
   'quoteChar' = '\"',
   'escapeChar' = '\\'
   )
STORED AS TEXTFILE
LOCATION 's3://location/of/csv/';

Answer 2

我这样做是为了解决：

1 - 创建一个不覆盖目标表属性的爬虫，我为此使用了 boto3，但可以在 AWS 控制台中创建它，执行此操作（更改 de xxx-var）：

import boto3

client = boto3.client('glue')

response = client.create_crawler(
    Name='xxx-Crawler-Name',
    Role='xxx-Put-here-your-rol',
    DatabaseName='xxx-databaseName',
    Description='xxx-Crawler description if u need it',
    Targets={
        'S3Targets': [
            {
                'Path': 's3://xxx-Path-to-s3/',
                'Exclusions': [
                ]
            },
        ]
    },
    SchemaChangePolicy={
        'UpdateBehavior': 'LOG',
        'DeleteBehavior': 'LOG'
    },
    Configuration='{ \
        "Version": 1.0, \
        "CrawlerOutput": { \
            "Partitions": {"AddOrUpdateBehavior": "InheritFromTable" \
            }, \
            "Tables": {"AddOrUpdateBehavior": "MergeNewColumns" } \
        }  \
    }'
)

# run the crawler
response = client.start_crawler(
    Name='xxx-Crawler-Name'
)

2 - 编辑序列化库，我在 AWS 控制台中执行此操作，例如这篇文章（https://docs.aws.amazon.com/athena/latest/ug/glue-best-practices.html#schema-csv-quotes）只需改变这个：

3 - 再次运行爬虫。像往常一样运行爬虫：

4 - 就是这样，你的第二次运行不应该改变表中的任何数据，它只是为了测试它是否有效¯\_(?)_/¯。