Hive中文注释乱码解决方案（2）

本文来自网易云社区

作者：王潘安

执行阶段

launchTask    回到Driver类的runInternal方法，看以下执行过程。在runInternal方法中，执行过程调用了execute方法。execute方法里面的内容很多，但是跟我们有关系的就只有launchTask方法。这个方法里面有这么关键的几步：

     tsk.initialize(conf, plan, cxt);
    TaskResult tskRes = new TaskResult();
    TaskRunner tskRun = new TaskRunner(tsk, tskRes);

    cxt.launching(tskRun);

    tskRun.runSequential();

跟进runSequential方法发现调用了如下方法：

 exitVal = tsk.executeTask();

接着跟进，发现执行了这段代码：

     int retval = execute(driverContext);

这个execute 方法在执行show create table xx命令时就是执行的DDLTask类中的execute方法。

跟进execute方法找到如下代码：

       ShowCreateTableDesc showCreateTbl = work.getShowCreateTblDesc();
      if (showCreateTbl != null) {
        return showCreateTable(db, showCreateTbl);
      }

查看showCreateTable方法，发现它干的就是把返回结果的字段都拼接成模板，然后把从metastore里面拿到的内容塞进去，最后写到一个临时文件流里面。我们发现，它最后是这样写到文件流的：

 outStream.writeBytes(createTab_stmt.render());

中文在这个地方估计被写成乱码了，于是把它改为：

     outStream.write(createTab_stmt.render().getBytes("UTF-8"));

重新编译一下hive：

 mvn clean package -Phadoop-2 -DskipTests

把编译完成后的hive源码的ql/target目录的hive-exec-1.2.1.jar替换到运行的hive的lib目录中，建一个测试表，不用json序列化反序列化，发现show create table xx命令的字段中文注释正常了。但是如果测试表仍用json序列化和反序列化，那么仍然会出现注释为from deserializer的现象。

我们回到代码，看看在showCreateTable方法中究竟是如何获取字段的注释信息的。找到如下这段代码：

     List<FieldSchema> cols = tbl.getCols();

跟进去发现，如果设置了自定义的序列化与反序列化类，就会执行这行操作：

 return MetaStoreUtils.getFieldsFromDeserializer(getTableName(), getDeserializer());

跟进getFieldsFromDeserializer方法，我们发现如下几行重要代码：

 ObjectInspector oi = deserializer.getObjectInspector();
  List<? extends StructField> fields = ((StructObjectInspector) oi).getAllStructFieldRefs();
  for (int i = 0; i < fields.size(); i++) {
    StructField structField = fields.get(i);
    String fieldName = structField.getFieldName();
    String fieldTypeName = structField.getFieldObjectInspector().getTypeName();
    String fieldComment = determineFieldComment(structField.getFieldComment());

    str_fields.add(new FieldSchema(fieldName, fieldTypeName, fieldComment));
  }

也就是说注释是从deserializer中拿出来的。那我们在返回去看看，hive给我们的json deserializer传了什么参数。返回到上一段代码，我们看getDeserializer方法干了什么：

     deserializer = getDeserializerFromMetaStore(false);

我们最好在这打个断点，看看，跟进代码发现执行了：

     return MetaStoreUtils.getDeserializer(SessionState.getSessionConf(), tTable, skipConfError);

然后通过反射建了一个Deserializer的实例，并且调用了它的initialize方法：

       Deserializer deserializer = ReflectionUtil.newInstance(conf.getClassByName(lib).
              asSubclass(Deserializer.class), conf);
       SerDeUtils.initializeSerDeWithoutErrorCheck(deserializer, conf,
                MetaStoreUtils.getTableMetadata(table), null);

在跟进initializeSerDeWithoutErrorCheck方法，发现它执行了：

 deserializer.initialize(conf, createOverlayedProperties(tblProps, partProps));

我们在跟进以下MetaStoreUtils.getTableMetadata(table)发现它执行了MetaStoreUtils.getSchema这个方法。跟进去，我们发现了至关重要的代码，注意所有的奥妙都在这：

     for (FieldSchema col : tblsd.getCols()) {
      if (!first) {
        colNameBuf.append(",");
        colTypeBuf.append(":");
        colComment.append('\0');
      }
      colNameBuf.append(col.getName());
      colTypeBuf.append(col.getType());
      colComment.append((null != col.getComment()) ? col.getComment() : "");
      first = false;
    }
    String colNames = colNameBuf.toString();
    String colTypes = colTypeBuf.toString();
    schema.setProperty(
        org.apache.hadoop.hive.metastore.api.hive_metastoreConstants.META_TABLE_COLUMNS,
        colNames);
    schema.setProperty(
        org.apache.hadoop.hive.metastore.api.hive_metastoreConstants.META_TABLE_COLUMN_TYPES,
        colTypes);
    schema.setProperty("columns.comments", colComment.toString());

也就是说，Hive是给序列化反序列化类传了注释的信息，首先注释的信息是以\0分割的，其次它是放在key值为columns.comments的property中。

Hive-JSON-Serde调试

然后我们就要打开Hive-JSON-Serde看看它怎么处理这些信息的。很容易找到类JsonSerDe。看看它的initialize方法：

         String columnNameProperty = tbl.getProperty(Constants.LIST_COLUMNS);
        String columnTypeProperty = tbl.getProperty(Constants.LIST_COLUMN_TYPES);

它根本就没有拿注释信息！然后看它怎么生成的rowObjectInspector:

 rowObjectInspector = (StructObjectInspector) JsonObjectInspectorFactory
                .getJsonObjectInspectorFromTypeInfo(rowTypeInfo, options);

跟入getJsonObjectInspectorFromTypeInfo方法，找到：

                     result = JsonObjectInspectorFactory.getJsonStructObjectInspector(fieldNames,
                            fieldObjectInspectors, options);

接着跟进去，发现：

             result = new JsonStructObjectInspector(structFieldNames,
                    structFieldObjectInspectors, options);

我们看看这个JsonStructObjectInspector类，它是继承的StandardStructObjectInspector，它的构造函数调用了父类的：

   protected StandardStructObjectInspector(List<String> structFieldNames,
      List<ObjectInspector> structFieldObjectInspectors) {
    init(structFieldNames, structFieldObjectInspectors, null);
  }

一看init函数最后传入的参数是null，就知道问题出在这了，这个父类其实还有另外一个构造方法：

   protected StandardStructObjectInspector(List<String> structFieldNames,
      List<ObjectInspector> structFieldObjectInspectors,
      List<String> structFieldComments) {
    init(structFieldNames, structFieldObjectInspectors, structFieldComments);
  }

也就是说，它是允许传入注释信息的。那么我们的思路就明确了，第一，把未解析出来的注释信息解析出来。第二，把这个注释信息传入JsonStructObjectInspector的构造函数中：

 String columnCommentProperty = tbl.getProperty("columns.comments");
 if (columnCommentProperty != null){
        if (columnCommentProperty.length() == 0) {
            columnComments = new ArrayList<String>();
        } else {
            columnComments = Arrays.asList(columnCommentProperty.split("\0", columnNames.size()));
        }
 }

这里有一点要注意：在StandardStructObjectInspector类中，它会强制检查字段数与注释数相等，所以在做split操作时，一定要传２个参数，把注释为空的字段补全，否则要出bug。后面的操作就是把这个注释传参到各个函数中去，这里就不在多述。

然后把JsonStructObjectInspector的构造函数改为：

       public JsonStructObjectInspector(List<String> structFieldNames,
            List<ObjectInspector> structFieldObjectInspectors, List<String> structFieldComments, JsonStructOIOptions opts) {
        super(structFieldNames, structFieldObjectInspectors, structFieldComments);
        
        options = opts;
    }

最后，重新编译Hive-JSON-Serde：

 mvn -Phdp23 clean package

这段代码改动比较多。

３.总结

其实Hive中文注释乱码就两个原因造成的。一个是Hive在写注释到流中时，没有把编码格式转为UTF-8。在第三方插件Hive-JSON-Serde中，没有将注释保存下来，如果注释为空，Hive会自动补上from deserializer的字符串。

　　因此只需要改动下面一小点即可，首先在Hive的源码中，找到ql目录，找到org.apache.hadoop.hive.ql.exec中的DDLTask类，找到showCreateTable方法。修改第2110行的代码：

 outStream.writeBytes(createTab_stmt.render());

为：

     outStream.write(createTab_stmt.render().getBytes("UTF-8"));

　　对于Hive-JSON-Serde来说，则是在它的JsonSerDe类的initialize方法中加入解析字段注释的代码：

  String columnCommentProperty = tbl.getProperty("columns.comments");
 if (columnCommentProperty != null){
        if (columnCommentProperty.length() == 0) {
            columnComments = new ArrayList<String>();
        } else {
            columnComments = Arrays.asList(columnCommentProperty.split("\0", columnNames.size()));
        }
 }

并且在构建rowObjectInspector的时候将注释信息传入：

         rowObjectInspector = (StructObjectInspector) JsonObjectInspectorFactory
                .getJsonObjectInspectorFromTypeInfo(rowTypeInfo, columnComments, options);

然后把JsonStructObjectInspector的构造函数改为：

        public JsonStructObjectInspector(List<String> structFieldNames,
            List<ObjectInspector> structFieldObjectInspectors, List<String> structFieldComments, JsonStructOIOptions opts) {
        super(structFieldNames, structFieldObjectInspectors, structFieldComments);
        
        options = opts;
    }

相关阅读：Hive中文注释乱码解决方案（1）

网易云免费体验馆，0成本体验20+款云产品！

更多网易研发、产品、运营经验分享请访问网易云社区。

相关文章：
【推荐】 wireshark抓包分析——TCP/IP协议