解决hive建表中文乱码问题

一、解决hive建表中文乱码问题

问题：

关于中文乱码问题，我们可以从以下几个方面进行考虑：

• （1）判断hive表的存储格式是否是UTF-8：- 如果hive表的存储格式不是UTF-8，也会导致中文乱码。
• （2）判断输入的数据，其编码格式是否是中文字符集UTF-8：- hive默认使用UTF-8编码，如果输入的中文字符集与UTF-8不一致，就会出现乱码。- 比如通过JDBC的方式连接，其是否设置了编码格式为UTF-8
• （3）判断hive的所依赖的mysql元数据库的编码格式是否是UTF-8- 因为为了提高读写速度，不用依次去读hive的HDFS文件，所以一般依赖元数据库都是mysql。所以需要判断hive元数据库mysql中是否设置了编码格式

1、修改hive元数据库的编码格式，这里以元数据库为mysql为例

1.1 进入 etc目录下打开 my.cnf 文件 ，对 my.cnf 添加以下语句：

[client]
default-character-set=utf8
[mysqld]
default-storage-engine=INNODB
character-set-server=utf8
collation-server=utf8_general_ci

完成之后，重启mysql，再进入到mysql查看修改是否成功

1.2 在 mysql 修改hive元数据表注释和字段注释的编码为 utf-8
（1）命令行的形式
修改表字段注解和表注解
alter table COLUMNS_V2 modify column COMMENT varchar(256) character set utf8;
alter table TABLE_PARAMS modify column PARAM_VALUE varchar(4000) character set utf8;
修改分区字段注解
alter table PARTITION_PARAMS modify column PARAM_VALUE varchar(4000) character set utf8 ;
修改索引注解
alter table PARTITION_KEYS modify column PKEY_COMMENT varchar(4000) character set utf8;
（2）也可在数据库可视化工具（例如dbeaver）设置COLUMNS_V2 、TABLE_PARAMS 、PARTITION_PARAMS 、PARTITION_KEYS 的编码格式为utf-8

2、在 Hive 的配置文件 hive-site.xml 中，我们可以通过指定字符集编码来解决中文乱码问题。以下是一个示例：

<property>
    <name>javax.jdo.option.ConnectionURL</name>
    <value>jdbc:mysql://localhost:3306/metastore?createDatabaseIfNotExist=true&amp;useUnicode=true&amp;characterEncoding=UTF-8</value>
    <description>database username for metastore</description>
</property>

在这个示例中，我们通过设置

useUnicode=true

和

characterEncoding=UTF-8

来指定使用 UTF-8 字符集编码。

此外，在 hive-site.xml 配置文件中，也可以通过以下两个参数来指定字符集编码：

<property><name>hive.cli.print.header</name><value>true</value><description>Whether to print the names of the columns in query output.</description></property><property><name>hive.cli.encoding</name><value>UTF-8</value><description>Character-set encoding for various CLI output data such as console output, logs, reports.</description></property><property><name>hive.charset</name><value>utf8</value><description>The character set encoding to use for data read/write operations.</description></property>

在这个示例中，我们通过设置

hive.cli.encoding

参数的值为

UTF-8

来指定字符集编码。这个参数可用于指定各种 CLI 输出数据的字符集编码，例如控制台输出、日志和报告等。

需要注意的是，在进行配置时，建议采用统一的字符集编码，以确保所有代码能够正常工作。

结果展示：

3、直接在建表语句中设置字符集，但这不一定能生效

当hive建表字段注释中出现中文乱码时，可能是因为字符集编码不匹配所导致的。我们可以在建表语句中指定字符集编码来解决这个问题。以下是一个示例：

CREATETABLE mytable (
  id INTCOMMENT'编号',
  name STRING COMMENT'姓名')COMMENT'学生信息表'ROW FORMAT DELIMITED FIELDSTERMINATEDBY'\t'
STORED AS TEXTFILE
TBLPROPERTIES ('serialization.null.format'='','charset'='utf8',-- 指定字符集编码为UTF-8'orc.compress'='SNAPPY');

在这个示例中，我们在建表语句中加入了

'charset'='utf8'

参数，来指定字符集编码为 UTF-8。这样就能确保 Hive 能够正确地解析中文字符，从而避免乱码问题。

'charset'='utf8'

参数，来指定字符集编码为 UTF-8。这样就能确保 Hive 能够正确地解析中文字符，从而避免乱码问题。