最近在测试开发同学产出的一份新的算法数据时，遇到了这样一个奇怪现象，追寻了一下其中原因，感觉有点小收获，写一篇blog记录一下，并分享给需要的同学。
问题描述：
算法同学在构建基于用户购买力的决策模型时，产出了一份基础数据，用来计算一周内，登录淘宝的cookie信息和其浏览的宝贝数据。在测试的过程中发现，这份数据存在关键key（用户登录淘宝网的cookie）为空的情况。查看开发的代码发现，在算法处理时，并没有对原始表进行脏数据的清理。随后，我想验证一下云梯上每日用户浏览信息这份基础数据到底有多少cookie记录为空的情况，就写了一条hive语句：“select count(1) from r_***_log where pt=*** and mid is null；"执行后惊奇的发现，居然一条结果都没有。但是执行"select * from r_***_log where pt=*** limit 100；" 是能看到一些key=cookie的空记录.再次换了一条计算hive"select count（1）from r_***_log where pt=*** and mid =' '；结果是可以查询到的。这就让我联想到一个问题，null值在云梯上到底是如何存储的呢？为什么所见不为所得呢？
做了一个小实验证明了下我的猜测：
1：在云梯生成一张临时表，并插入一条空记录
drop table t_minyi_tmptest; insert overwrite table t_minyi_tmptest select NULL from dual; |
2：查看这张表在云梯上究竟是如何存储的？
| hadoop fs -text '/group/tbdataapplication-dev/hive/minyi/t_minyi_tmptest/*'; |
可以看到直接查看云梯的存储结果，发现将空记录存储为"\N".hive里强制置空的符号是'\N'，空是没有显示的，但字符长度length(\N)并不等于0。此刻就联想到，由于这个原因是不是很多底层的基础数据，本身是"\N"怎么办呢？会不会被误认为NULL呢？
3：再次做实验，看看是不是可以将NULL值用其他字符代替？
| drop table t_minyi_tmptest; create table if not exists t_minyi_tmptest ( cookie string ) row format delimited fields terminated by '\t' stored as SEQUENCEFILE location '/group/tbdataapplication-dev/hive/minyi/t_minyi_tmptest'; ALTER TABLE t_minyi_tmptest SET SERDEPROPERTIES ('serialization.null.format'='minyi'); insert overwrite table t_minyi_tmptest select NULL from dual; |
