大数据分析组件Hive-集合数据结构

前言

Hive是一个基于Hadoop的数据仓库基础设施，用于处理大规模分布式数据集。它提供了一个类似于SQL的查询语言（称为HiveQL），允许用户以类似于关系型数据库的方式查询和分析存储在Hadoop集群中的数据。

Hive常作为离线数仓的分析工具，当面临Json数据时，Hive需要用到其数据结构构建出一张Json表才得以操作Json数据；(Hive4.0推出了Json解析)

一、array数组类型

数组是一组具有相同类型的变量的集合。 这些变量称为数组的元素，每个数组元素都有一个编号，编号从零开始。

数组类型的创建:

drop table if exists test_datatype;
create external table test_datatype(
    ids array<int>,
) comment '数据结构测试表'
location 'test/test_datatype';

创建表字段时，使用Array类型需要声明其泛型，如果在后续的操作中，向该表字段插入了一个包含string类型的array，Hive 在数据加载过程中会根据目标表的声明进行数据类型推断和转换。如果插入的数组元素与目标表声明的数据类型不匹配，Hive 会尝试进行隐式类型转换。在这种情况下，Hive 会尝试将字符串转换为整数类型。

Tip:隐式类型转换可能导致数据丢失或错误。如果类型转换失败Hive 可能会将其转换为 NULL 值。

以下构建一个简单的array数组对象:

====查询语句====
select
       ids,
       `array`(ids[0],ids[6]),
        array_contains(ids,'milet')
from (
     select `array`("aimyon","aimer","vaundy","Ado",1,3.6) as ids
         )t1
         
====执行结果====
ids>>>["aimyon","aimer","vaundy","Ado","1","3.6"]
`array`(ids[0],ids[5])>>>["aimyon",null]
array_contains(ids,'milet')>>> false

1. Array 类型可以存储具有相同数据类型的元素。这意味着数组中的每个元素都应该是相同的数据类型。上述的Hql中使用了string和int类型，但是查询结果显示的都是string类型。
2. Array类型通过下标取出元素，如果下标越界，取出的元素为null
3. array_contains()能够检索数组是否包含该元素，该函数返回布尔类型。

二、map键值对集合类型

Map 类型是一种键值对的集合，其中的键和值可以是任何 Hive 支持的数据类型。Map 类型用于表示一种关联关系，类似于其他编程语言中的字典或哈希表。

Map类型的创建:

drop table if exists test_datatype;
create external table test_datatype(
    dat map<string,string>
) comment '数据结构测试表'
location 'test/test_datatype';

创建Map类型时，需要声明其键值对泛型,Map 类型的语法为 MAP<key_type, value_type>，其中 key_type 和 value_type 分别表示键和值的数据类型。

以下构建一个简单的map对象:

====查询语句====
select
    dat,
    dat['a'],
    map_keys(dat),
    `if`(array_contains(map_keys(dat),"a"),"true","false")
from (
     select `map`('a','b',1,'d') dat
         )t;
         
====执行结果====
dat>>>{"a":"b","1":"d"}
dat['a']>>>b
map_keys(dat)>>>["a","1"]
`if`(array_contains(map_keys(dat),"a"),"true","false")>>>true

map类型使用map[‘key_name’]的方式取出值，并且hive提供了map_keys,map_values获取所用的key和value，这在一些判断场景下非常好使。

Tip:map的key的类型可以不统一，但是value类型必须统一。

三、struct结构体类型

在 Hive 中，结构体（Struct）类型是一种用于组合多个字段的复合数据类型。结构体类型允许你在一个列中存储多个相关的值，并将它们作为一个单元进行处理。

结构体类型由多个字段组成，每个字段都有一个名称和一个数据类型。你可以将结构体类型用作表的列类型，或者作为其他复合数据类型（如数组或映射）的元素类型。

struct类型的创建:

drop table if exists test_datatype;
create external table test_datatype(
    obj struct<id:int,name:string>
) comment '数据结构测试表'
location 'test/test_datatype';

创建struct结构体时，需要声明所有使用到的类型，结构体创建之后，其属性不能再做更改。

以下构建一个简单的struct对象:

====查询语句====
select struct('a','b','c','d') >>>{"col1":"a","col2":"b","col3":"c"}
select name_struct('a','b','c',1) >>>{"a":"b","c":1}
 
select obj,
       obj.a
from (
         select named_struct('a', 'b', 'c', 1) obj
     ) t1;
====执行结果====
obj>>> {"a":"b","c":1}
obj.a>>> b

1. 结构体通过点的方式访问元素
2. 结构体与map不同，一旦创建属性个数就不能更改。
3. 结构体定义后，其类型不能做更改< name:string，age:int >；map类型定义后其每个元素的值类型就需要确定了map< string:stiring >

总结:

遇到Json属性为 {key1:value1，key2:value2 …}

1. value类型都统一的，并且个数不确定的可以使用map类型。
2. value类型不统一，并且个数确定的可以使用struct类型。

遇到类似数组的json数据:

  "actions": [{                   -- 动作(事件)
    "action_id": "favor_add",   -- 动作id
    "item": "3",                -- 目标id
    "item_type": "sku_id",      -- 目标类型
    "ts": 1585744376605         -- 动作时间戳
  }]

1. 数据结构可以嵌套使用:array< struct < key1:string,key2:int > >
2. 上述json中actions为数组，元素个数不确定并且元素都能够用struct

array<泛型> map<string:string> struct<name:string,age:int>

arraay和map中的元素个数可扩展，struct类型一旦声明，元素个数不能改变。

具体问题具体分析，根据数据情况选择合适的数据结构。