Hive中文註釋亂碼解決方案
本文來自網易雲社群
作者：王潘安
快速解決方法
目前的hive客戶端在執行desc tablexxx和show create table xxx命令的時候，欄位的中文註釋會出現亂碼情況，如(????)。在使用 ROW FORMAT SERDE 'org.openx.data.jsonserde.JsonSerDe' 建表的時候，註釋則會出現from deserializer。以下幾個步驟可以幫你快速解決這些問題：
１．首先在hive客戶端的conf目錄下找到hive-site.xml配置檔案，查詢本機hive所連線的metastore地址。例如：
<property> <name>javax.jdo.option.ConnectionURL</name> <value>jdbc:mysql://10.120.xxx.xxx:3306/hive_study</value> </property>
連線該資料庫。找到表COLUMNS_V2並查詢其中的欄位。如果為類似以下的亂碼：
| 952 | ?????????? | in_l_notice_mail | string | 14 | | 952 | ???????? | live_course_notice_mail | string | 22 | | 952 | ???????????????? | mark_best_reply | string | 4 | | 952 | ??????????? | platform_notice_mail | string | 13 | | 952 | ???????? | question_answered | string | 3 | | 952 | ????????? | question_digged | string | 6 | | 952 | sns??????? | sns_friends_attend | string | 20 | | 952 | sns??????? | sns_new_fans | string | 21 | | 952 | | study_plan_notice | string | 15 | | 952 | ??id
則對資料庫做如下設定：
//修改欄位註釋字符集 alter table COLUMNS_V2 modify column COMMENT varchar(256) character set utf8; //修改表註釋字符集 alter table TABLE_PARAMS modify column PARAM_VALUE varchar(4000) character set utf8; //修改分割槽註釋字符集 alter table PARTITION_KEYS modify column PKEY_COMMENT varchar(4000) character set utf8;
並且重新建hive表（不是metastore的表）。如果COLUMNS_V2中的資料不為亂碼，則不用做任何操作，跳過此步。
２．將本文附件中的兩個jar包替換到hive客戶端的lib目錄中。
３．重啟hive客戶端，測試一下效果。
解決過程及BUG原因解釋
1.準備工作
首先在自己電腦上部署HADOOP，HIVE環境。下載hive和Hive-JSON-Serde，連結：https://github.com/apache/hive https://github.com/rcongiu/Hive-JSON-Serde 確保可以執行起來。然後就要做好以下準備：
1.找到hive執行時列印的log的位置。如果沒有配置如下屬性，那就是預設位置：
<property>
<name>hive.exec.local.scratchdir</name>
<value>${system:java.io.tmpdir}/${system:user.name}</value>
<description>Local scratch space for Hive jobs</description>
</property>
以雲課堂為例，就是放在/tmp/study目錄下，日誌會記錄在hive.log中。
2.準備好除錯環境。找到hadoop的目錄，在bin目錄下找到hadoop這個可執行的命令，開啟它，找到如下一段程式碼：
if [ "$COMMAND" = "fs" ] ; then .apache.hadoop.fs.FsShell elif [ "$COMMAND" = "version" ] ; then .apache.hadoop.util.VersionInfo elif [ "$COMMAND" = "jar" ] ; then .apache.hadoop.util.RunJar elif [ "$COMMAND" = "key" ] ; then .apache.hadoop.crypto.key.KeyShell elif [ "$COMMAND" = "checknative" ] ; then .apache.hadoop.util.NativeLibraryChecker
把他改為：
if [ "$COMMAND" = "fs" ] ; then .apache.hadoop.fs.FsShell elif [ "$COMMAND" = "version" ] ; then .apache.hadoop.util.VersionInfo elif [ "$COMMAND" = "jar" ] ; then if ! echo "$HADOOP_CLIENT_OPTS"|fgrep 'dt_socket' ; then HADOOP_CLIENT_OPTS="$HADOOP_CLIENT_OPTS -Xdebug -Xrunjdwp:transport=dt_socket,server=y,suspend=n,address=8765" fi HIVE_DEBUG_RECURSIVE=y HIVE_MAIN_CLIENT_DEBUG_OPTS="suspend=n,address=8765" HIVE_CHILD_CLIENT_DEBUG_OPTS="suspend=y,address=8766" export HADOOP_CLIENT_OPTS HIVE_CHILD_CLIENT_DEBUG_OPTS HIVE_DEBUG_RECURSIVE HIVE_MAIN_CLIENT_DEBUG_OPTS .apache.hadoop.util.RunJar elif [ "$COMMAND" = "key" ] ; then .apache.hadoop.crypto.key.KeyShell elif [ "$COMMAND" = "checknative" ] ; then .apache.hadoop.util.NativeLibraryChecker
這樣，就打開了埠號為8765的遠端除錯埠
具體為啥這樣設定，參考這篇部落格：http://blog.csdn.net/wisgood/article/details/38047921
2.查詢BUG
首先宣告，以下所有的除錯都是基於hive 1.2.1版本和json-serde 1.3.6的版本。
Hive客戶端的啟動是在原始碼的cli目錄下的org.apache.hadoop.hive.cli包中的CliDriver類中，它又具體去呼叫了ql目錄下的org.apache.hadoop.hive.ql包中的Driver類。因此，我們在IDE中只需要引入ql目錄下的maven工程即可。
開啟Driver類，找到它的run方法，這便是hive命令執行的函式入口。在run方法中，主要呼叫的就是runInternal方法。而runInternal方法中主要就是呼叫了compileInternal和execute方法，也就是編譯命令和執行命令兩部分。
編譯階段
首先我們看看compile階段幹了些啥，通過跟蹤compileInternel方法，我們可以知道，它最終呼叫的是compile方法。這個方法主要是用來生成執行計劃樹的。首先解析出樹形結構，這段程式碼慎重跟蹤下去，水太深，會游泳的可以下去看看：
ParseDriver pd = new ParseDriver(); ASTNode tree = pd.parse(command, ctx);
然後進行語義分析：
BaseSemanticAnalyzer sem = SemanticAnalyzerFactory.get(conf, tree); sem.analyze(tree, ctx);
接著生成執行計劃：
plan = new QueryPlan(queryStr, sem, perfLogger.getStartTime(PerfLogger.DRIVER_RUN), queryId, SessionState.get().getCommandType());
最後還要拿到返回結果的模板，也就是說明返回值的樣子：
schema = getSchema(sem, conf);
在這個過程中，我們重點關注的是語義分析和返回值模板的情況。可以看到，語義分析首先通過工廠返回了一個BaseSemanticAnalyzer，這是一個父類，而我們執行類似show create table xxx的時候，它實際執行的是它的一個子類DDLSemanticAnalyzer中的analyzeInternal方法。我們去看這個方法，發現它是一堆switch case，我們在其中找到如下程式碼：
case HiveParser.TOK_SHOW_CREATETABLE: ctx.setResFile(ctx.getLocalTmpPath()); analyzeShowCreateTable(ast); break;
跟到analyzeShowCreateTable方法中去，發現有這樣一段程式碼：
Table tab = getTable(tableName);
好激動，貌似拿到了表資訊，我們把斷點打在這，並且進行除錯，看看這個tab變數裡面究竟有啥： 
發現什麼表資訊都有，的確去metastore庫裡面拿了東西，注意：我這裡的comment是???這樣的亂碼是因為我的metastore裡面的表的編碼格式沒改。所以到目前為止，hive的程式碼是正常的。
在analyzeShowCreateTable方法中，還有幾個要注意的點，一個是：
showCreateTblDesc = new ShowCreateTableDesc(tableName, ctx.getResFile().toString());
一個是：
setFetchTask(createFetchTask(showCreateTblDesc.getSchema()));
還有一個：
rootTasks.add(TaskFactory.get(new DDLWork(getInputs(), getOutputs(), showCreateTblDesc), conf));
首先看ShowCreateTableDesc類裡面有什麼，發現有這樣一個字串常量：
private static final String schema = "createtab_stmt#string";
通過對比這個類同包中的其他類的schema常量，比如DescTableDesc類：
private static final String schema = "col_name,data_type,comment#string:string:string";
不難猜出，這個就是定義輸出結果的樣子和每個結構的型別的常量。接著我們看createFetchTask方法，在這個裡面，它把上面說的字串schema解析出來放到了Properties配置中：
String[] colTypes = schema.split("#");
prop.setProperty("columns", colTypes[0]);
prop.setProperty("columns.types", colTypes[1]);
prop.setProperty(serdeConstants.SERIALIZATION_LIB, LazySimpleSerDe.class.getName());
看到這段程式碼，簡直點燃了我的興奮點！我們的問題不就是欄位註釋亂碼嗎？（劇透一下，如果你不給hive傳註釋資訊，那麼hive就給你寫個from deserializer）這裡定義了欄位名字，欄位型別以及序列化類，但是沒有定義欄位註釋！難道問題就出在這？然而仔細想想，這個地方就是誤導你的。因為在這個階段雖然已經在metastore中獲取了table資訊，然而這個階段仍然是編譯階段，具體的命令還沒有執行。另外在property中，設定的都是常量，所以它更不可能是最後的返回結果。其實它的作用是描述這個模板的型別以及序列化方法，而不是用來描述最後的結果的。
最後我們再來看rootTasks.add方法幹了什麼，可以發現，TaskFactory通過get方法產生了一個task，放到了task的序列中，這個get方法通過你傳入進來的work型別，找到相應的task型別，並且通過java的反射機制建立一個task例項。在這裡，我們傳入的是一個DDLWork，因此它會建立一個DDLTask。我們要牢記這個DDLTask類，因為後面的執行過程中，就是去執行它！
網易雲免費體驗館，0成本體驗20+款雲產品！
更多網易研發、產品、運營經驗分享請訪問網易雲社群。
相關文章：
【推薦】 BRVAH（讓RecyclerView變得更高效）（1）