一文学会Hive解析Json数组

一文学会Hive解析Json数组

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。

Hive自带的json解析函数

1. get_json_object

语法:get_json_object(json_string, \’$.key\’) 说明:解析json的字符串json_string,返回path指定的内容。如果输入的json字符串无效,那么返回NULL。这个函数每次只能返回一个数据项。 示例: selectget_json_object(\'{\”name\”:\”zhangsan\”,\”age\”:18}\’,\’$.name\’);

结果:

name zhangsan

如果既要解析name字段,也解析age字段,则可以这样写:

selectget_json_object(\'{\”name\”:\”zhangsan\”,\”age\”:18}\’,\’$.name\’),get_json_object(\'{\”name\”:\”zhangsan\”,\”age\”:18}\’,\’$.age\’);

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: selectb.name,b.agefromtableNamealateralviewjson_tuple(\'{\”name\”:\”zhangsan\”,\”age\”:18}\’,\’name\’,\’age\’)basname,age; 结果: name age zhangsan 18

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:

selectb.name,b.agefromtableNamealateralviewjson_tuple(\'{\”name\”:\”zhangsan\”,\”age\”:18}\’,\’$.name\’,\’$.age\’)basname,age;

结果:

name age NULL NULL

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:

json_str [{\”website\”:\”baidu.com\”,\”name\”:\”百度\”},{\”website\”:\”google.com\”,\”name\”:\”谷歌\”}]

我们想把这个字段解析出来,形成如下的结构:

website name baidu.com 百度 google.com 谷歌

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: –解析arrayhive>selectexplode(array(\’A\’,\’B\’,\’C\’));OKABC–解析maphive>selectexplode(map(\’A\’,10,\’B\’,20,\’C\’,30));OKA10B20C30 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: hive>selectregexp_replace(\’foobar\’,\’oo|ar\’,\’\’);OKfb

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:

hive>SELECTexplode(split(regexp_replace(regexp_replace(\'[{\”website\”:\”baidu.com\”,\”name\”:\”百度\”},{\”website\”:\”google.com\”,\”name\”:\”谷歌\”}]\’,\’\\]\’,\’\’),\’\\}\\,\\{\’,\’\\}\\;\\{\’),\’\\;\’));OK{\”website\”:\”baidu.com\”,\”name\”:\”百度\”}{\”website\”:\”google.com\”,\”name\”:\”谷歌\”}

对上述sql进行简要说明:

SELECTexplode(split(regexp_replace(regexp_replace(\'[{\”website\”:\”baidu.com\”,\”name\”:\”百度\”},{\”website\”:\”google.com\”,\”name\”:\”谷歌\”}]\’,\’\\[|\\]\’,\’\’),将json数组两边的中括号去掉\’\\}\\,\\{\’,\’\\}\\;\\{\’),将json数组元素之间的逗号换成分号\’\\;\’)以分号作为分隔符(split函数以分号作为分隔));

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:

selectjson_tuple(explode(split(regexp_replace(regexp_replace(\'[{\”website\”:\”baidu.com\”,\”name\”:\”百度\”},{\”website\”:\”google.com\”,\”name\”:\”谷歌\”}]\’,\’\\[|\\]\’,\’\’),\’\\}\\,\\{\’,\’\\}\\;\\{\’),\’\\;\’))),\’website\’,\’name\’);

执行上述语句,结果报错了:

FAILED:SemanticException[Error10081]:UDTF\’sarenotsupportedoutsidetheSELECTclause,nornestedinexpressions

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:

selectjson_tuple(json,\’website\’,\’name\’)from(selectexplode(split(regexp_replace(regexp_replace(\'[{\”website\”:\”baidu.com\”,\”name\”:\”百度\”},{\”website\”:\”google.com\”,\”name\”:\”谷歌\”}]\’,\’\\[|\\]\’,\’\’),\’\\}\\,\\{\’,\’\\}\\;\\{\’),\’\\;\’))asjson)t;

执行上述语句,没有报错,执行结果如下:

www.baidu.com百度google.com谷歌 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:

goods_id json_str 1,2,3 [{\”source\”:\”7fresh\”,\”monthSales\”:4900,\”userCount\”:1900,\”score\”:\”9.9\”},{\”source\”:\”jd\”,\”monthSales\”:2090,\”userCount\”:78981,\”score\”:\”9.8\”},{\”source\”:\”jdmart\”,\”monthSales\”:6987,\”userCount\”:1600,\”score\”:\”9.0\”}]

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:

selectexplode(split(goods_id,\’,\’))asgood_id,explode(split(regexp_replace(regexp_replace(json_str,\’\\[|\\]\’,\’\’),\’\\}\\,\\{\’,\’\\}\\;\\{\’),\’\\;\’))assale_infofromtableName;

执行上述语句,结果报错:

FAILED:SemanticException3:0OnlyasingleexpressionintheSELECTclauseissupportedwithUDTF\’s.Errorencounteredneartoken\’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:

name id_list zhangsan [1,2,3] lisi [3,4,5]

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:

SELECTname,hobby_idFROMhobbies_tableLATERALVIEWexplode(id_list)tmp_tableAShobby_id;

上述sql执行结果:

name hobby_id zhangsan 1 zhangsan 2 zhangsan 3 lisi 3 lisi 4 lisi 5

2. 按照hobby_id进行分组聚合即可:

SELECThobby_id,count(1)client_numFROMhobbies_tableLATERALVIEWexplode(id_list)tmp_tableAShobby_idgroupbyhobby_id;

结果:

hobby_id client_num 1 1 2 1 3 2 4 1 5 1

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:

selectgood_id,get_json_object(sale_json,\’$.monthSales\’)asmonthSalesfromtableNameLATERALVIEWexplode(split(goods_id,\’,\’))goodsasgood_idLATERALVIEWexplode(split(regexp_replace(regexp_replace(json_str,\’\\[|\\]\’,\’\’),\’\\}\\,\\{\’,\’\\}\\;\\{\’),\’\\;\’))salesassale_json;

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:

goods_id monthSales 1 4900 1 2090 1 6987 2 4900 2 2090 2 6987 3 4900 3 2090 3 6987

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。

给TA打赏
共{{data.count}}人
人已打赏
云计算

Facebook推出新功能:创作者可通过电商渠道赚钱

2021-4-28 10:30:52

云计算

谷歌宣布回购500亿美元股票 盘后股价涨超4%

2021-4-28 10:30:54

0 条回复 A文章作者 M管理员
    暂无讨论,说说你的看法吧
个人中心
购物车
优惠劵
今日签到
有新私信 私信列表
搜索