Grok SerDe
Logstash Grok SerDe 是一个库,它具有一组专门用于对非结构化文本数据(通常是日志)进行反序列化的模式。每个 Grok 模式都是一个命名的正则表达式。您可以根据需要识别并重新使用这些反序列化模式。这使得使用 Grok 比使用正则表达式更容易。Grok 提供了一组预定义模式
序列化库名称
Grok SerDe 的序列化库名称是 com.amazonaws.glue.serde.GrokSerDe
。
如何使用 Grok SerDe
要当在 Athena 中创建表时指定 Grok SerDe,请使用 ROW FORMAT
SERDE 'com.amazonaws.glue.serde.GrokSerDe'
子句,后跟 WITH
SERDEPROPERTIES
子句,用于指定要在您的数据中匹配的模式,其中:
-
input.format
表达式定义要在数据中匹配的模式。该项为必填项。 -
input.grokCustomPatterns
表达式定义了一个命名的自定义模式,您可以随后在input.format
表达式中使用它。该项为可选项。要将多个模式条目加入input.grokCustomPatterns
表达式中,请使用换行转义字符 (\n
) 分隔它们,如下所示:'input.grokCustomPatterns'='INSIDE_QS ([^\"]*)
。\n
INSIDE_BRACKETS ([^\\]]*)') -
STORED AS INPUTFORMAT
和OUTPUTFORMAT
子句是必需的。 -
LOCATION
子句指定一个 Amazon S3 存储桶,它可以包含多个数据对象。将会对存储桶中的所有数据对象进行反序列化以创建表。
示例
本部分中的示例依赖于预定义 Grok 模式的列表。有关更多信息,请参阅 GitHub.com 上的 grok-patterns
示例 1
此示例使用来自保存在 s3://amzn-s3-demo-bucket/groksample/
中的 Postfix maillog 条目中的源数据。
Feb 9 07:15:00 m4eastmail postfix/smtpd[19305]: B88C4120838: connect from unknown[192.168.55.4]
Feb 9 07:15:00 m4eastmail postfix/smtpd[20444]: B58C4330038: client=unknown[192.168.55.4]
Feb 9 07:15:03 m4eastmail postfix/cleanup[22835]: BDC22A77854: message-id=<31221401257553.5004389LCBF@m4eastmail.example.com>
以下语句使用自定义模式和您指定的预定义模式,根据源数据文件在 Athena 中创建一个名为 mygroktable
的表:
CREATE EXTERNAL TABLE `mygroktable`( syslogbase string, queue_id string, syslog_message string ) ROW FORMAT SERDE 'com.amazonaws.glue.serde.GrokSerDe' WITH SERDEPROPERTIES ( 'input.grokCustomPatterns' = 'POSTFIX_QUEUEID [0-9A-F]{7,12}', 'input.format'='%{SYSLOGBASE} %{POSTFIX_QUEUEID:queue_id}: %{GREEDYDATA:syslog_message}' ) STORED AS INPUTFORMAT 'org.apache.hadoop.mapred.TextInputFormat' OUTPUTFORMAT 'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat' LOCATION 's3://amzn-s3-demo-bucket/
groksample
/';
从 %{NOTSPACE:column}
等模式开始,以便先映射列,然后根据需要对列进行专业化处理。
示例 2
在以下示例中,您将为 Log4j 日志创建一个查询。这些示例日志具有采用以下格式的条目:
2017-09-12 12:10:34,972 INFO - processType=AZ, processId=ABCDEFG614B6F5E49, status=RUN,
threadId=123:amqListenerContainerPool23P:AJ|ABCDE9614B6F5E49||2017-09-12T12:10:11.172-0700],
executionTime=7290, tenantId=12456, userId=123123f8535f8d76015374e7a1d87c3c, shard=testapp1,
jobId=12312345e5e7df0015e777fb2e03f3c, messageType=REAL_TIME_SYNC,
action=receive, hostname=1.abc.def.com
要查询此日志数据:
-
将 Grok 模式添加到每个列的
input.format
中。例如,对于timestamp
,添加%{TIMESTAMP_ISO8601:timestamp}
。对于loglevel
,添加%{LOGLEVEL:loglevel}
。 -
通过映射短划线 (
-
) 和分隔日志格式中的条目的逗号,确保input.format
中的模式与日志的格式完全匹配。CREATE EXTERNAL TABLE bltest ( timestamp STRING, loglevel STRING, processtype STRING, processid STRING, status STRING, threadid STRING, executiontime INT, tenantid INT, userid STRING, shard STRING, jobid STRING, messagetype STRING, action STRING, hostname STRING ) ROW FORMAT SERDE 'com.amazonaws.glue.serde.GrokSerDe' WITH SERDEPROPERTIES ( "input.grokCustomPatterns" = 'C_ACTION receive|send', "input.format" = "%{TIMESTAMP_ISO8601:timestamp} %{LOGLEVEL:loglevel} - processType=%{NOTSPACE:processtype}, processId=%{NOTSPACE:processid}, status=%{NOTSPACE:status}, threadId=%{NOTSPACE:threadid}, executionTime=%{POSINT:executiontime}, tenantId=%{POSINT:tenantid}, userId=%{NOTSPACE:userid}, shard=%{NOTSPACE:shard}, jobId=%{NOTSPACE:jobid}, messageType=%{NOTSPACE:messagetype}, action=%{C_ACTION:action}, hostname=%{HOST:hostname}" ) STORED AS INPUTFORMAT 'org.apache.hadoop.mapred.TextInputFormat' OUTPUTFORMAT 'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat' LOCATION 's3://amzn-s3-demo-bucket/
samples
/';
示例 3
Amazon S3 服务器访问日志 CREATE TABLE
语句的以下示例显示了 'input.grokCustomPatterns'
表达式,该表达式包含两个模式条目,由换行转义字符 (\n
) 进行分隔,如示例查询的此代码段中所示:'input.grokCustomPatterns'='INSIDE_QS
([^\"]*)
。\n
INSIDE_BRACKETS
([^\\]]*)')
CREATE EXTERNAL TABLE `s3_access_auto_raw_02`(
`bucket_owner` string COMMENT 'from deserializer',
`bucket` string COMMENT 'from deserializer',
`time` string COMMENT 'from deserializer',
`remote_ip` string COMMENT 'from deserializer',
`requester` string COMMENT 'from deserializer',
`request_id` string COMMENT 'from deserializer',
`operation` string COMMENT 'from deserializer',
`key` string COMMENT 'from deserializer',
`request_uri` string COMMENT 'from deserializer',
`http_status` string COMMENT 'from deserializer',
`error_code` string COMMENT 'from deserializer',
`bytes_sent` string COMMENT 'from deserializer',
`object_size` string COMMENT 'from deserializer',
`total_time` string COMMENT 'from deserializer',
`turnaround_time` string COMMENT 'from deserializer',
`referrer` string COMMENT 'from deserializer',
`user_agent` string COMMENT 'from deserializer',
`version_id` string COMMENT 'from deserializer')
ROW FORMAT SERDE
'com.amazonaws.glue.serde.GrokSerDe'
WITH SERDEPROPERTIES (
'input.format'='%{NOTSPACE:bucket_owner} %{NOTSPACE:bucket} \\[%{INSIDE_BRACKETS:time}\\] %{NOTSPACE:remote_ip} %{NOTSPACE:requester} %{NOTSPACE:request_id} %{NOTSPACE:operation} %{NOTSPACE:key} \"?%{INSIDE_QS:request_uri}\"? %{NOTSPACE:http_status} %{NOTSPACE:error_code} %{NOTSPACE:bytes_sent} %{NOTSPACE:object_size} %{NOTSPACE:total_time} %{NOTSPACE:turnaround_time} \"?%{INSIDE_QS:referrer}\"? \"?%{INSIDE_QS:user_agent}\"? %{NOTSPACE:version_id}',
'input.grokCustomPatterns'='INSIDE_QS ([^\"]*)\nINSIDE_BRACKETS ([^\\]]*)')
STORED AS INPUTFORMAT
'org.apache.hadoop.mapred.TextInputFormat'
OUTPUTFORMAT
'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat'
LOCATION
's3://amzn-s3-demo-bucket'
另请参阅
-
了解 Grok 模式
(外部网站) -
内置模式(《AWS Glue 用户指南》)