用python实现Hive中的UDF函数
简介
Hive为我们提供了众多的内置函数，但是在实际的运用过程中仍然不能满足我们所有的需求.hive是用java开发的，本身提供了使用java去开发UDF的方式.而这里我们采用python的方式去实现UDF函数.
DEMO实现
我们这里用python自定义函数，去实现一个方法，利用身份证号去判断性别(18位身份证的倒数第二位偶数为女，奇数为男.15位身份证的倒数第一位偶数为女,奇数为男.).其实这个需求可以使用hive自带的function去进行解决.我们接下来使用2种方式去实现这个需求.
数据准备
我们在hive上创建一个external表(名字person表),执行如下代码：
create external table person(
name string,
idcard string)
ROW FORMAT DELIMITED
FIELDS TERMINATED BY '\t'
STORED as TEXTFILE;
该表两个字段，一个为name，另一个为idcard
数据格式如下:
neil 411326199402110030
pony 41132519950911004x
jcak 12312423454556561
tony 412345671234908field分隔符使用\t
我们将数据放入hive的warehouse中:
hdfs dfs -put person.txt /user/hive/warehouse/test_neil.db/person
执行select，我们发现数据已经进入到hive了.
使用Hive Function去实现
我们可以执行一下的hql去实现
select idcard,
case when length(idcard) = 18 thencase when substring(idcard,-2,1) % 2 = 1 then '男' when substring(idcard,-2,1) % 2 = 0 then '女' else 'unknown' end when length(idcard) = 15 then case when substring(idcard,-1,1) % 2 = 1 then '男'when substring(idcard,-1,1) % 2 = 0 then '女'else 'unknown' endelse '不合法' end
from person;
得到的结果如下(beeline下)：
+---------------------+------+--+
| idcard | _c1 |
+---------------------+------+--+
| 12312423454556561 | 不合法 |
| 123124234545565 | 男 |
| 411325199308110030 | 男 |
| 41132519950911004x | 女 |
UDF编写
如下是我们的udf代码：
# -*- coding: utf-8 -*-
import sysfor line in sys.stdin:detail = line.strip().split("\t")if len(detail) != 2:continueelse:name = detail[0]idcard = detail[1]if len(idcard) == 15:if int(idcard[-1]) % 2 == 0:print("\t".join([name,idcard,"女"]))else:print("\t".join([name,idcard,"男"]))elif len(idcard) == 18:if int(idcard[-2]) % 2 == 0:print("\t".join([name,idcard,"女"]))else:print("\t".join([name,idcard,"男"]))else:print("\t".join([name,idcard,"身份信息不合法!"]))
这里我们使用python的重定向，将hive控制台的输出进行split，split默认使用的为\t.然后根据split后的idcard的倒数第二位进行判断这个人的性别.
测试
我们在hive中去执行查询时，报错的提示不是很详细.我们可以使用cat指令去测试python脚本的执行效果.
我们在终端中执行如下指令:
cat person.txt|python person.py
输入结果如下：
neil 411325199308110030 男
pony 41132519950911004x 女
jack 12312423454556561 身份信息不合法!
tony 123124234545565 男
说明我们的解析是成功的.
使用
我们在hive中使用python定义的UDF函数要借助transform函数去执行.
transform函数的语法如下:
SELECT TRANSFORM (<columns>)
USING 'python <python_script>'
AS (<columns>)
FROM <table>;
transfrom和as的columns的个数不必一致.
我们首先需要将我们的person.py加载入
我们在hive中去执行如下代码:
add file /xxx/person.py
xxx为本地文件的路径.
然后使用transform函数执行:
select transform(name,idcard) USING 'python person.py' AS (name,idcard,gender) from person;
java版本也需要打成jar包，使用add方式添加到hive中
add jar jar_path;并且要创建函数：
create function fun_name as 'java class name' USING jar 'hdfs_jar_path';
// 上方为官方文档案例，下面的是我自己写的，属于临时函数，重启hive后失效
create function fun_name as 'java class name';查询：
select fun_name(字段...) from table_name;我们同样可以得到如下的结果：
neil 411325199308110030 男
pony 41132519950911004x 女
jack 12312423454556561 身份信息不合法!
tony 123124234545565 男
后续会使用个人站点：topabu.com来 记录工作学习的笔记、经验等
关注阿布的进击，获取最新信息
