Hive SQL 函数高阶应用场景

HIVE作为数据仓库处理常用工具，如同RDBMS关系型数据库中标准SQL语法一样，Hive SQL也内置了不少系统函数，满足于用户在不同场景下的数据分析需求，以提高开发SQL数据分析的效率。
我们可以使用show functions查看当下版本支持的函数，并且可以通过describe function extended funcname来查看函数对应的使用方式和方法，下面我们将描述HIVE SQL中常用函数的高阶使用场景。

1、行转列(explode)

如下活动列表：tb_activities

活动ID	活动名称列表
1001	双111,国庆,元旦
2001	黄金周,国庆,元旦

希望转换为列类型活动表：tb_activitity

活动ID	活动名称
1001	双11
1001	国庆
1001	元旦
2001	黄金周
2001	国庆
2001	元旦

使用到Hive内置一个非常著名的UDTF函数，名字叫做explode函数，中文戏称为“爆炸函数”，可以炸开数据转换为多行。

select act_id,activity from tb_activities 
lateral view explode(split(activities,','))enum_tmp as activity;

扩展: 如果要按照活动Id增加索引，可以使用posexplode:

编号	活动ID	活动名称
1	1001	双11
2	1001	国庆
3	1001	元旦
1	2001	黄金周
2	2001	国庆
3	2001	元旦

select pos+1,act_id,activity from tb_activities 
lateral view explode(split(activities,','))enum_tmp as pos，activity

2、列转行

如上1所示，希望从tb_activity转换为tb_activities，通过collect_set()方法和group by act_id 将列转换为行，实现如下：

 select act_id, concat_ws(',',collect_set(activity)) as activities 
 from tb_activity group by act_id;

3、排名(rank())

可以通过rank() 方法的使用，实现对指定列进行排名，输出排名结果。例如商品总数表：t_item_sum，需要实现排名功能：

item_id	item_sum
1001	20
1002	12
1003	62
1004	15

期望得到：

item_id	item_sum	rank
1003	62	1
1001	20	2
1004	15	3
1002	12	4

代码实现如下：

select item_id,item_sum,rank()over(order by item_sum desc) as rank from t_item_sum;

4、分组去重

在查询数据时如果有重复，我们可以使用用distinct 去除重复值，但使用 distinct 只能去除所有查询列都相同的记录，如果某个字段不同，distinct 就无法去重。这时我们可以用 row_number()over(partitioon by column1 order by column2) 先进行分组。
例如：有活动表数据列“活动id，用户id，活动名称，客户群组，过期时间”，希望按照”活动id，活动名称，客户群组”去重，取最新一条数据。

id	user_id	activity	cust_group	expired_at
BCP015	1001	春节活动A	高价值	2023-10-05
BCP015	1001	春节活动A	高价值	2023-10-15
BCP015	1001	春节活动A	高价值	2023-10-28
BCP025	1002	春节活动B	中价值	2023-10-05
BCP025	1002	春节活动B	中价值	2023-10-25
BCP030	1003	春节活动C	中价值	2023-10-25

期望得到：

id	user_id	activity	cust_group	expired_at
BCP015	1001	春节活动A	高价值	2023-10-28
BCP025	1002	春节活动B	中价值	2023-10-25
BCP030	1003	春节活动C	中价值	2023-10-25

使用row_number()over(partitioon by) 分组去重。

  select tt1.* from(select id, user_id, activity,cust_group,
  row_number() over(partition by concat(id,activity,cust_group)
  order by expired_at desc)as row_num 
  from tb_acitivity_full)tt1 where tt1.row_num=1;

5、指标统计

GROUPING SETS,GROUPING__ID,CUBE,ROLLUP，这几个hive分析函数通常用于OLAP中，不能累加，而且需要根据不同维度上钻（ roll up ）和下钻（ drill down ）的指标统计，比如，分小时、天、月的UV数。上钻是沿着维度的层次向上聚集汇总数据，下钻是在分析时加深维度，对数据进行层层深入的查看。通过逐层下钻，数据更加一目了然，更能充分挖掘数据背后的价值，及时做出更加正确的决策。

OLAP函数	使用说明
GROUPING SETS	根据不同的维度组合进行聚合，等价于将不同维度的GROUP BY结果集进行UNION ALL
GROUPING__ID	表示结果属于哪一个分组集合，属于虚字段
CUBE	可根据GROUP BY的维度的所有组合进行聚合
ROLLUP	作为CUBE的子集，以最左侧的维度为主，从该维度进行层级聚合

如4所示，希望对指标值进行统计，期望结果：

indicator	enum_value	count
id	BCP015	3
id	BCP025	2
id	BCP030	1
activity	春节活动A	3
activity	春节活动B	2
activity	春节活动C	1
cust_group	高价值	3
cust_group	中价值	3

通过grouping__id 内层SQL处理结果,表2：

groupId	id	activity	cust_group	uv
1728	id_BCP015	NULL	NULL	3
1724	id_BCP025	NULL	NULL	2
1723	id_BCP030	NULL	NULL	1
2728	NULL	activity_春节活动A	NULL	3
2724	NULL	activity_春节活动B	NULL	2
2723	NULL	activity_春节活动C	NULL	1
3723	NULL	NULL	cust_group_高价值	3
3724	NULL	NULL	cust_group_中价值	3

select 
  split(coalesce(
   id,
   activity,
   cust_group),'\\_')[0] as indicator,
  coalesce(
   split(id, '\\_')[1],
   split(activity, '\\_')[1],
   split(cust_group, '\\_')[1],
  ) as enum_value
  sum(uv) as count
  from (
  -- 内层SQL处理结果，对应上表2
   select grouping__id as groupId,
    concat('id|',id) as id,
    concat('activity|', activity) as activity,
    concat('cust_group|',cust_group) as cust_group,
    count(*) as uv
   from tb_acitivity_full
   group by 
    concat('id|',id),
    concat('activity|', activity),
    concat('cust_group|',cust_group)
   grouping sets(
    concat('id|',id),
    concat('activity|', activity),
    concat('cust_group|',cust_group)
  )as tt1
  group by split(coalesce(
   id,
   activity,
   cust_group),'\\_')[0],
  coalesce(
   split(id, '\\_')[1],
   split(activity, '\\_')[1],
   split(cust_group, '\\_')[1],
  );

6、JSON数据处理

JSON数据作为数据存储和数据处理中最常见的结构化数据格式之一，许多场景下都会将数据以JSON格式存储在文件系统(HDFS/MINIO等)中，当构建数据仓库时，对JSON格式的数据进行处理和分析，就需要在Hive中使用对应函数对JSON格式的数据进行解析读取。
例如，JSON格式的数据如下：

商品ID	商品名称	额外信息
1001	IP15	“fixedIntegral”:200, “source”:“wechat”,“stages”:12}

获取商品可使用的固定积分：

select get_json_object(extra_json, '$fixedIntegral) as integral
from t_items;

7、替换

7.1 translate 函数用法

select translate('abcdef', 'adc', '19') tb_translate_exe
输出：
1b9ef

• translate(input,from,to)
• input：输入字符串
• from：需要匹配的字符
• to ：用哪些字符来替换被匹配到的字符
  注意点：这里from的字符与to字符在位置上存在一 一对应关系，也就是from中每个位置上的字符用to中对应位置的字符替换。

7.1 regexp_replace 函数

正则替换

SELECT  aa
        ,REGEXP_REPLACE(aa, '[a-z]', '')    -- 替换所有字母
        ,REGEXP_REPLACE(aa, '[abc]', '')    -- 替换指定字母
        ,REGEXP_REPLACE(aa, '[^abc]', '')    -- 替换所有非字母
        ,REGEXP_REPLACE(aa, '[0-9]', '')    -- 替换所有数字
        ,REGEXP_REPLACE(aa, '[\\s\\S]', '')    -- 替换空白符、换行，\\s：是匹配所有空白符，包括换行，\\S：非空白符，不包括换行。
        ,REGEXP_REPLACE(aa, '\\w', '')    -- 替换所有字母、数字、下划线。等价于 [A-Za-z0-9_]
        ,REGEXP_REPLACE(aa, '[-8+]', '')    -- 只替换-8这个字符
        ,REGEXP_REPLACE(aa, '[-8*]', '')    -- 替换-8、-、8这几个字符
FROM    (
            SELECT  '5e40b2b8-0916-42c0-899a-eaf4b2df 5268' AS aa
            UNION ALL
            SELECT  'c81b5906-38d7-482c-8b66-be5d3359cbf6' AS aa
            UNION ALL
            SELECT  '8856fd0a-2337-4605-963f-0d0d059b1937' AS aa
        ) t
;