问题描述

我们通常在迁移数据到大数据环境中，会使用，sqoop、datax之类的etl工具，从数据库中迁移到hive或hdfs。数据库中的原始数据中的文本类数据难免会有特殊字符，比如换行符，会对导入Hive后的数据产生影响。下面是从mysql导入hive的数据，其中，hive表是textfile格式存储特殊字符没做处理：

发现有两个字段没了，于是再看看hive表在hdfs上的文件：

发现原本一行的数据，变成多行了，文本中有‘\n’换行符，导致位置错乱，所以hive查出来有两个字段没了

解决方法一

把换行符替换成空字符串，sqoop中有替换的参数，但是datax中没有。有些场景中，为了保留数据的完整性，必须保留换行符怎么办呢？

解决方法二

用orc存储hive表
ORC的全称是(Optimized Row Columnar)，ORC文件格式是一种Hadoop生态圈中的列式存储格式，它的产生早在2013年初，最初产生自Apache Hive，用于降低Hadoop数据存储空间和加速Hive查询速度。和Parquet类似，它并不是一个单纯的列式存储格式，仍然是首先根据行组分割整个表，在每一个行组内进行按列存储。ORC文件是自描述的，它的元数据使用Protocol Buffers序列化，并且文件中的数据尽可能的压缩以降低存储空间的消耗，目前也被Spark SQL、Presto等查询引擎支持
因为是列式存储，所以不存在某字段的换行符的原因导致数据错乱

用orc存储后的表，全表查询：

咦？怎么还是空的？下面几行怎么全是null？列式存储不应该出现这种情况啊！
别急， 你看到的不一定是真实的
增加过滤条件指定这行的id试试

咦？怎么又有了？
解释：我用的是ambari自带的hive查询界面，这可能是ambari本身显示的bug，它把文本数据里面的换行符也展示出来了，所以页面上看到还是乱的，but，实际数据并没有乱，你执行任何查询都不会有问题，页面展示的问题，不再是数据的问题！！