CSV、TSV、カスタム区切りファイル用の Lazy Simple SerDe - Amazon Athena
シリアル化ライブラリ名ヘッダ―の無視

CSV、TSV、カスタム区切りファイル用の Lazy Simple SerDe

これは CSV、TSV、およびカスタム区切り形式のデータ用の、Athena におけるデフォルトの SerDe であるため、指定はオプションです。CREATE TABLE ステートメントで SerDe を指定せず、ROW FORMAT DELIMITED のみを指定した場合、Athena はこの SerDe を使用します。データ内に引用符で囲まれた値がない場合は、この SerDe を使用します。

Lazy Simple SerDe に関するリファレンスドキュメントについては、「Apache Hive デベロッパーガイド」の「Hive SerDe」セクションを参照してください。

シリアル化ライブラリ名

Lazy Simple SerDe のシリアル化ライブラリ名は org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe です。ソースコード情報については、GitHub.com の「LazySimpleSerDe.java」を参照してください。

ヘッダ―の無視

テーブルを定義するときにデータ内のヘッダーを無視するには、以下の例にあるように、skip.header.line.count テーブルプロパティを使用できます。

TBLPROPERTIES ("skip.header.line.count"="1")

ヘッダーを無視する例については、「Amazon VPC フローログのクエリ」および「Amazon CloudFront ログのクエリ」の CREATE TABLE ステートメントを参照してください。

次の例は、Athena で CSV データからテーブルを作成するために LazySimpleSerDe ライブラリを使用する方法を示しています。この SerDe を使用してカスタム区切りファイルをデシリアライズするには、これらの例のパターンに従いますが、FIELDS TERMINATED BY 句を使用して異なる単一文字の区切り文字を指定します。Lazy Simple SerDe は、複数文字の区切り文字をサポートしていません。

注記

s3://athena-examples-myregion/path/to/data/ の myregion を、Athena が実行されるリージョンの識別子 (s3://athena-examples-us-west-1/path/to/data/ など) に置き換えます。

CREATE TABLE ステートメントを使用して、Amazon S3 に保存されている CSV 形式の基盤となるデータから Athena テーブルを作成します。

CREATE EXTERNAL TABLE flight_delays_csv (
    yr INT,
    quarter INT,
    month INT,
    dayofmonth INT,
    dayofweek INT,
    flightdate STRING,
    uniquecarrier STRING,
    airlineid INT,
    carrier STRING,
    tailnum STRING,
    flightnum STRING,
    originairportid INT,
    originairportseqid INT,
    origincitymarketid INT,
    origin STRING,
    origincityname STRING,
    originstate STRING,
    originstatefips STRING,
    originstatename STRING,
    originwac INT,
    destairportid INT,
    destairportseqid INT,
    destcitymarketid INT,
    dest STRING,
    destcityname STRING,
    deststate STRING,
    deststatefips STRING,
    deststatename STRING,
    destwac INT,
    crsdeptime STRING,
    deptime STRING,
    depdelay INT,
    depdelayminutes INT,
    depdel15 INT,
    departuredelaygroups INT,
    deptimeblk STRING,
    taxiout INT,
    wheelsoff STRING,
    wheelson STRING,
    taxiin INT,
    crsarrtime INT,
    arrtime STRING,
    arrdelay INT,
    arrdelayminutes INT,
    arrdel15 INT,
    arrivaldelaygroups INT,
    arrtimeblk STRING,
    cancelled INT,
    cancellationcode STRING,
    diverted INT,
    crselapsedtime INT,
    actualelapsedtime INT,
    airtime INT,
    flights INT,
    distance INT,
    distancegroup INT,
    carrierdelay INT,
    weatherdelay INT,
    nasdelay INT,
    securitydelay INT,
    lateaircraftdelay INT,
    firstdeptime STRING,
    totaladdgtime INT,
    longestaddgtime INT,
    divairportlandings INT,
    divreacheddest INT,
    divactualelapsedtime INT,
    divarrdelay INT,
    divdistance INT,
    div1airport STRING,
    div1airportid INT,
    div1airportseqid INT,
    div1wheelson STRING,
    div1totalgtime INT,
    div1longestgtime INT,
    div1wheelsoff STRING,
    div1tailnum STRING,
    div2airport STRING,
    div2airportid INT,
    div2airportseqid INT,
    div2wheelson STRING,
    div2totalgtime INT,
    div2longestgtime INT,
    div2wheelsoff STRING,
    div2tailnum STRING,
    div3airport STRING,
    div3airportid INT,
    div3airportseqid INT,
    div3wheelson STRING,
    div3totalgtime INT,
    div3longestgtime INT,
    div3wheelsoff STRING,
    div3tailnum STRING,
    div4airport STRING,
    div4airportid INT,
    div4airportseqid INT,
    div4wheelson STRING,
    div4totalgtime INT,
    div4longestgtime INT,
    div4wheelsoff STRING,
    div4tailnum STRING,
    div5airport STRING,
    div5airportid INT,
    div5airportseqid INT,
    div5wheelson STRING,
    div5totalgtime INT,
    div5longestgtime INT,
    div5wheelsoff STRING,
    div5tailnum STRING
)
    PARTITIONED BY (year STRING)
    ROW FORMAT DELIMITED
      FIELDS TERMINATED BY ','
      ESCAPED BY '\\'
      LINES TERMINATED BY '\n'
    LOCATION 's3://athena-examples-myregion/flight/csv/';

このテーブルに新しいパーティションを追加するたびに、MSCK REPAIR TABLE を実行してパーティションメタデータを更新します。

MSCK REPAIR TABLE flight_delays_csv;

遅延が 1 時間を超えた上位 10 便をクエリします。

SELECT origin, dest, count(*) as delays
FROM flight_delays_csv
WHERE depdelayminutes > 60
GROUP BY origin, dest
ORDER BY 3 DESC
LIMIT 10;
注記

フライトテーブルデータは、米国運輸省の運輸統計局が提供する Flights からのものです。オリジナルを白黒に変換しています。

Amazon S3 に保存されている TSV データから Athena テーブルを作成するには、ROW FORMAT DELIMITED を使用して \t をタブフィールドの区切り文字、\n を区切り文字、および \ をエスケープ文字として指定します。次の抜粋は構文例を示します。athena-examples の場所にはサンプルの TSV フライトデータはありませんが、CSV テーブルと同様に、MSCK REPAIR TABLE を実行して新しいパーティションが追加されるたびにパーティションメタデータを更新する必要があります。

...
ROW FORMAT DELIMITED
FIELDS TERMINATED BY '\t'
ESCAPED BY '\\'
LINES TERMINATED BY '\n'
...