云梯数据测试的小陷阱——NULL值问题

上一篇 / 下一篇 2012-08-07 09:43:23 / 个人分类：杂谈

1D@X"Z Ja`n0　　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。

n+e+ce2YYG0　　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？

&s(ZSY)oY0　　做了一个小实验证明了下我的猜测：51Testing软件测试网K})X&?&h'q

　　1：在云梯生成一张临时表，并插入一条空记录

5i7B.Y8sV0 drop table t_minyi_tmptest;
         create table if not exists t_minyi_tmptest (51Testing软件测试网$A6{)]|d
                cookie string
          )51Testing软件测试网 [BM&O\[?
         row format delimited
         fields terminated by '\t'
Q H)\n*L y0         stored as SEQUENCEFILE
'W'A/x'g5@)^ h8R0         location '/group/tbdataapplication-dev/hive/minyi/t_minyi_tmptest';51Testing软件测试网,Z7t c l Gh.Xr

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;

51Testing软件测试网X)^X*Y/[,K~k