Hive Format异常分析

最近在执行Hive insert/select语句的过程碰到下面这种类型的异常：

# 异常1：
Caused by: java.lang.ClassCastException: org.apache.hadoop.io.Text cannot be cast to org.apache.hadoop.hive.ql.io.orc.OrcSerde$OrcSerdeRow
    at org.apache.hadoop.hive.ql.io.orc.OrcOutputFormat$OrcRecordWriter.write(OrcOutputFormat.java:81)
    at org.apache.hadoop.hive.ql.exec.FileSinkOperator.process(FileSinkOperator.java:753)
    at org.apache.hadoop.hive.ql.exec.Operator.forward(Operator.java:837)
    at org.apache.hadoop.hive.ql.exec.LimitOperator.process(LimitOperator.java:54)
    at org.apache.hadoop.hive.ql.exec.Operator.forward(Operator.java:837)
    at org.apache.hadoop.hive.ql.exec.SelectOperator.process(SelectOperator.java:88)
    at org.apache.hadoop.hive.ql.exec.mr.ExecReducer.reduce(ExecReducer.java:235)
    ... 7 more

# 异常2：
Failed with exception java.io.IOException:java.lang.ClassCastException: org.apache.hadoop.hive.ql.io.orc.OrcStruct cannot be cast to org.apache.hadoop.io.BinaryComparable

本文已上述的错误为切入点，分析下异常原因以及Hive相关的关于Format的异常。主要内容如下：

1. 异常的原因分析及解决方法
2. FAQ

1. 异常的原因分析及解决方法

1.1 异常1分析

# 异常1：
Caused by: java.lang.ClassCastException: org.apache.hadoop.io.Text cannot be cast to org.apache.hadoop.hive.ql.io.orc.OrcSerde$OrcSerdeRow
    at org.apache.hadoop.hive.ql.io.orc.OrcOutputFormat$OrcRecordWriter.write(OrcOutputFormat.java:81)
    at org.apache.hadoop.hive.ql.exec.FileSinkOperator.process(FileSinkOperator.java:753)
    at org.apache.hadoop.hive.ql.exec.Operator.forward(Operator.java:837)
    at org.apache.hadoop.hive.ql.exec.LimitOperator.process(LimitOperator.java:54)
    at org.apache.hadoop.hive.ql.exec.Operator.forward(Operator.java:837)
    at org.apache.hadoop.hive.ql.exec.SelectOperator.process(SelectOperator.java:88)
    at org.apache.hadoop.hive.ql.exec.mr.ExecReducer.reduce(ExecReducer.java:235)
    ... 7 more

该异常发生在insert overwrite阶段，即select出来的数据插入目标表时抛出异常。从异常栈中可以清楚地看到OrcOutputFormat、java.lang.ClassCastException这些信息，可见这是Reduce任务将最终结果进行持久化（写入HDFS文件系统）时出现错误。首先，我们需要明确这个数据持久化的大体流程是什么样的？如下图所示：

read-process

Read过程：InputFormat将输入流（InputStream）分割成纪录（<key，value>），Deserializer将纪录（<key，value>）解析成列对象。

write-process

Write过程：Serializer将列对象转化为纪录（<key，value>），OutputFormat将纪录（<key，value>）格式化为输出流（OutputStream）。

上图中描绘的分别是数据载入内存和持久化的过程。异常信息中的OrcOutputFormat说明错误出在数据持久化过程中。从图中可知，序列化器Serializer的输出数据，就是OutputFormat的输入数据。接下来就是确定目标表的SerDe/InputFormat/OutputFormat分别是什么。通过下面命令查看。

desc formatted $table

结果如下：

# desc formatted $table
# Storage Information
SerDe Library:          org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe
InputFormat:            org.apache.hadoop.hive.ql.io.orc.OrcInputFormat
OutputFormat:           org.apache.hadoop.hive.ql.io.orc.OrcOutputFormat

由上可知，目标表的SerDe为LazySimpleSerDe，而其Input/OutputFormat是orc的。所以异常1的原因也就得出：

异常1原因：序列化/反序列化器LazySimpleSerDe在执行serialize后的结果类型是Text，而OrcOutputFormat的接收数据类型必须是OrcSerdeRow。这就造成了ClassCastException。

下面是OrcOutputFormat的write方法源码：

public class OrcOutputFormat extends ... {
    
    @Override
    public void write(Writable row) throws IOException {
      // 若类型不匹配，会抛出异常。
      OrcSerdeRow serdeRow = (OrcSerdeRow) row;
      if (writer == null) {
        options.inspector(serdeRow.getInspector());
        writer = OrcFile.createWriter(path, options);
      }
      writer.addRow(serdeRow.getRow());
    }
    。。。
}

原因找到后，解决办法就很简单了，将该table的fileformat修改为orc即可，如下所示：

ALTER TABLE $table SET FILEFORMAT ORC;

1.2 异常2分析

# 异常2：
Failed with exception java.io.IOException:java.lang.ClassCastException: org.apache.hadoop.hive.ql.io.orc.OrcStruct cannot be cast to org.apache.hadoop.io.BinaryComparable

通过异常1的分析后，这个异常的原因也就很容易定位了，数据读取阶段：OrcInputFormat的输出结果是OrcStruct类型，其作为输入数据传给LazySimpleSerDe的deserialize方法，很明显，deserialize中进行类型转换时抛出该异常。下面是LazySimpleSerDe的doDeserialize方法源码：

  @Override
  public Object doDeserialize(Writable field) throws SerDeException {
    if (byteArrayRef == null) {
      byteArrayRef = new ByteArrayRef();
    }
    // OrcStruct -> BinaryComparable
    BinaryComparable b = (BinaryComparable) field;
    byteArrayRef.setData(b.getBytes());
    cachedLazyStruct.init(byteArrayRef, 0, b.getLength());
    lastOperationSerialize = false;
    lastOperationDeserialize = true;
    return cachedLazyStruct;
  }

下图是已TEXTFILE格式作为存储格式时的读取流程：

textfile-read-process

现在将TextInputFormat换成OrcInputFormat后：

orc-text-incompatible

小结：以上两种异常的根本原因都是由于序列化/反序列化器SerDe和InputFormat/OutputFormat不匹配造成的。这通常是由于创建表时没有正确指定这三个配置项造成的。

FAQ

1. stored as orc 和 stored as INPUTFORMAT ... OUTPUTFORMAT ...的区别？

当我们使用stored as orc的时候，其实已经隐式的指定了下面三个配置：

1. SERDE：org.apache.hadoop.hive.ql.io.orc.OrcSerde
2. INPUTFORMAT：org.apache.hadoop.hive.ql.io.orc.OrcInputFormat
3. OUTPUTFORMAT：org.apache.hadoop.hive.ql.io.orc.OrcOutputFormat

当我们显示的指定STORED AS INPUTFORMAT/OUTPUTFORMAT：

STORED AS INPUTFORMAT
  ‘org.apache.hadoop.hive.ql.io.orc.OrcInputFormat’
OUTPUTFORMAT
  ‘org.apache.hadoop.hive.ql.io.orc.OrcOutputFormat’

此时SERDE并没有指定，会使用默认的serde，在hive cli中可以通过下面cmd查看：

set hive.default.serde;
hive.default.serde=org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe

当然了，如果hive-site.xml中已经配置了hive.default.fileformat，那么不知道stored as的情况下，会使用hive.default.fileformat指定的文件格式。

<property>
        <name>hive.default.fileformat</name>
        <value>ORC</value>
</property>

参考

• Hive Developer Guide has explanation on how SerDe and Storage work
• Hive source code- 2.3.3