Hive 解析 Json 数组超全讲解
在 Hive 中会有很多数据是用 Json 格式来存储的,如开发人员对 APP 上的页面进行埋点时,会将多个字段存放在一个 json 数组中,因此数据平台调用数据时,要对埋点数据进行解析。接下来就聊聊 Hive 中是如何解析 json 数据的。
本文首发于公众号【五分钟学大数据】
Hive 自带的 json 解析函数
1. get_json_object
语法:
get_json_object(json_string, '$.key')
说明:解析 json 的字符串 json_string,返回 path 指定的内容。如果输入的 json 字符串无效,那么返回 NULL。这个函数每次只能返回一个数据项。
示例:
结果:
如果既要解析 name 字段,也解析 age 字段,则可以这样写:
但是如果要解析的字段有很多,再这样写就太麻烦了,所以就有了 json_tuple
这个函数。
2. json_tuple
语法:
json_tuple(json_string, k1, k2 ...)
说明:解析 json 的字符串 json_string,可指定多个 json 数据中的 key,返回对应的 value。如果输入的 json 字符串无效,那么返回 NULL。
示例:
结果:
注意:上面的json_tuple
函数中没有 $.
如果在使用json_tuple
函数时加上 $.就会解析失败:
结果:
字段全是 NULL,所以json_tuple
函数不需要加 $.了,否则会解析不到。
总结:json_tuple 相当于 get_json_object 的优势就是一次可以解析多个 json 字段。但是如果我们有个 json 数组,这两个函数都无法处理。
Hive 解析 json 数组
一、嵌套子查询解析 json 数组
如果有一个 hive 表,表中 json_str 字段的内容如下:
我们想把这个字段解析出来,形成如下的结构:
要解析这个 json 数组,仅用上面介绍的两个函数就解析不出来了,还需用到如下介绍的几个函数:
explode 函数
语法:
explode(Array OR Map)
说明:explode()函数接收一个 array 或者 map 类型的数据作为输入,然后将 array 或 map 里面的元素按照每行的形式输出,即将 hive 一列中复杂的 array 或者 map 结构拆分成多行显示,也被称为列转行函数。
示例:
regexp_replace 函数
语法: regexp_replace(string A, string B, string C)
说明:将字符串 A 中的符合 java 正则表达式 B 的部分替换为 C。注意,在有些情况下要使用转义字符,类似 oracle 中的 regexp_replace 函数。
示例:
上述示例将字符串中的 oo 或 ar 替换为''。
有了上述几个函数,接下来我们来解析 json_str 字段的内容:
先将 json 数组中的元素解析出来,转化为每行显示:
对上述 sql 进行简要说明:
为什么要将 json 数组元素之间的逗号换成分号?因为元素内的分隔也是逗号,如果不将元素之间的逗号换掉的话,后面用 split 函数分隔时也会把元素内的数据给分隔,这不是我们想要的结果。
上步已经把一个 json 数组转化为多个 json 字符串了,接下来结合 son_tuple 函数来解析 json 里面的字段:
执行上述语句,结果报错了:FAILED: SemanticException [Error 10081]: UDTF's are not supported outside the SELECT clause, nor nested in expressions
意思是 UDTF 函数不能写在别的函数内,也就是这里的 explode 函数不能写在 json_tuple 里面。
既然 explode 函数不能写在别的 json_tuple 里面,那我们可以用子查询方式,如下所示:
执行上述语句,没有报错,执行结果如下:
二 使用 lateral view 解析 json 数组
hive 表中 goods_id 和 json_str 字段的内容如下:
目的:把 goods_id 字段和 json_str 字段中的 monthSales 解析出来。
下面我们就开始解析:
拆分 goods_id 字段及将 json 数组转化成多个 json 字符串:
执行上述语句,结果报错:FAILED: SemanticException 3:0 Only a single expression in the SELECT clause is supported with UDTF's. Error encountered near token 'sale_info'
意思是用 UDTF 的时候,SELECT 只支持一个字段。而上述语句 select 中有两个字段,所以报错了。
那怎么办呢,要解决这个问题,还得再介绍一个 hive 语法:
lateral view
lateral view 用于和 split、explode 等 UDTF 一起使用的,能将一行数据拆分成多行数据,在此基础上可以对拆分的数据进行聚合,lateral view 首先为原始表的每行调用 UDTF,UDTF 会把一行拆分成一行或者多行,lateral view 在把结果组合,产生一个支持别名表的虚拟表。
示例:
假设我们有一张用户兴趣爱好表 hobbies_table,它有两列数据,第一列是 name,第二列是用户兴趣爱好的 id_list,是一个数组,存储兴趣爱好的 id 值:
我们要统计所有兴趣 id 在所有用户中出现的次数:
对兴趣 id 进行解析:
上述 sql 执行结果:
将 id_list 拆分完之后统计在用户中出现的次数就简单了,按照 hobby_id 进行分组聚合即可:
结果:
介绍完 lateral view
之后,我们再来解决上面遇到的用 UDTF 的时候,SELECT 只支持一个字段的问题:
注意:上述语句是三个表笛卡尔积的结果,所以此方式适用于数据量不是很大的情况。
上述语句执行结果如下:
如果表中还有其他字段,我们可以根据其他字段筛选出符合结果的数据。
总结:lateral view 通常和 UDTF 一起出现,为了解决 UDTF 不允许在 select 存在多个字段的问题。
版权声明: 本文为 InfoQ 作者【五分钟学大数据】的原创文章。
原文链接:【http://xie.infoq.cn/article/3fc04238fe06fd69353e035ca】。
本文遵守【CC-BY 4.0】协议,转载请保留原文出处及本版权声明。
评论