ODS层所得到的数据,是最原始的数据,保持原貌,不做任何的改变,例如 id:1 name:zhangsan类型字段加上字段值。在导入DWD层的时候,我们要对这个数据做处理,只取到value值,去除字段的名称。这里面用到UDF(一进一出)和UDTF(一进多出)。
展示一条最初始的数据:
这条数据,红色框起来的部分是基本字段对应一对一出。而蓝色框起来的部分是一进多出。所要的格式如下:
要对获取到的日志数据进行处理,去空,转义,清洗等等.这时候我就需要我们来对初始的原始数据进行清洗.日志服务器获取到的数据是往往json对象,因此要对json对象进行解析,通过自定义UDF/UDTF函数来对其进行清洗:
(1)新建一个maven工程,在新建的maven工程中,创建好包.(com.atguigu.udf),然后再对pom.xml中导入如下的所需依赖:
<repositories>
<repository>
<id>spring</id>
<url>https://maven.aliyun.com/repository/spring</url>
</repository>
</repositories>
<properties>
<project.build.sourceEncoding>UTF8</project.build.sourceEncoding>
<hive.version>1.2.1</hive.version>
</properties>
<dependencies>
<dependency>
<groupId>org.apache.hive</groupId>
<artifactId>hive-exec</artifactId>
<version>${hive.version}</version>
</dependency>
</dependencies>
<build>
<plugins>
<plugin>
<artifactId>maven-compiler-plugin</artifactId>
<version>2.3.2</version>
<configuration>
<source>1.8</source>
<target>1.8</target>
</configuration>
</plugin>
<plugin>
<artifactId>maven-assembly-plugin</artifactId>
<configuration>
<descriptorRefs>
<descriptorRef>jar-with-dependencies</descriptorRef>
</descriptorRefs>
</configuration>
<executions>
<execution>
<id>make-assembly</id>
<phase>package</phase>
<goals>
<goal>single</goal>
</goals>
</execution>
</executions>
</plugin>
</plugins>
</build>
UDF函数实现的思路:UDF函数有两个参数,一个是叫line也就是采集到的一条完整的日志数据,另一个参数是我们dwd层所创建的表的字段的string集合叫做keys。
首先将keys集合进行切割成String数组.接着将line切割成包含时间戳和json格式的数据,切割好之后,先做一个合法性的校验:判断切割好的数组长度是否为2和json格式的数据是否为空,如果错误.返回false。如果不为空,则创建jsonObject对象开始进行处理.通过遍历keys的中元素,取出jsonObject对象中所对应的值,并将其添加到StringBuilder对象中,最后将StringBuilder对象转成String并且返回。
package com.atguigu.udf;
import org.apache.commons.lang.StringUtils;
import org.apache.hadoop.hive.ql.exec.UDF;
import org.json.JSONException;
import org.json.JSONObject;
public class BaseFieldUDF extends UDF {
//line:整条的原始数据 jsonkeysString:公众字段keys的集合
public String evaluate(String line,String jsonkeysString){
//new 一个sb
StringBuilder sb = new StringBuilder();
//1.切割jsonkeys mid.uid,vc....
String[] jsonkeys = jsonkeysString.split(",");
//2.处理line 服务器时间|json
String[] logContents = line.split("\\|");
//3.合法性校验(判断空可以通过StringUtils.isBlank方法)
if(logContents.length != 2 || StringUtils.isBlank(logContents[1])){
return "";
}
//4.开始处理json
try {
JSONObject jsonObject = new JSONObject(logContents[1]);
if(jsonObject==null){
return "";
}else{
JSONObject base = jsonObject.getJSONObject("cm");
if(base == null ){
return "";
}else{
//循环遍历取值
for(int i =0;i<jsonkeys.length;i++){
String fieldName = jsonkeys[i].trim();
if(base.has(fieldName)){
sb.append(base.getString(fieldName)).append("\t");
}else{
sb.append(" ").append("\t");
}
}
sb.append(jsonObject.getString("et")).append("\t");
sb.append(logContents[0]).append("\t");
}
}
} catch (JSONException e) {
e.printStackTrace();
}
return sb.toString();
}
//主方法主要是用来做测试
public static void main(String[] args) {
String line = "1541217850324|{\"cm\":{\"mid\":\"m7856\",\"uid\":\"u8739\",\"ln\":\"-74.8\",\"sv\":\"V2.2.2\",\"os\":\"8.1.3\",\"g\":\"P7XC9126@gmail.com\",\"nw\":\"3G\",\"l\":\"es\",\"vc\":\"6\",\"hw\":\"640*960\",\"ar\":\"MX\",\"t\":\"1541204134250\",\"la\":\"-31.7\",\"md\":\"huawei-17\",\"vn\":\"1.1.2\",\"sr\":\"O\",\"ba\":\"Huawei\"},\"ap\":\"weather\",\"et\":[{\"ett\":\"1541146624055\",\"en\":\"display\",\"kv\":{\"newsid\":\"n4195\",\"copyright\":\"ESPN\",\"content_provider\":\"CNN\",\"extend2\":\"5\",\"action\":\"2\",\"extend1\":\"2\",\"place\":\"3\",\"showtype\":\"2\",\"category\":\"72\",\"newstype\":\"5\"}},{\"ett\":\"1541213331817\",\"en\":\"loading\",\"kv\":{\"extend2\":\"\",\"loading_time\":\"15\",\"action\":\"3\",\"extend1\":\"\",\"type1\":\"\",\"type\":\"3\",\"loading_way\":\"1\"}},{\"ett\":\"1541126195645\",\"en\":\"ad\",\"kv\":{\"entry\":\"3\",\"show_style\":\"0\",\"action\":\"2\",\"detail\":\"325\",\"source\":\"4\",\"behavior\":\"2\",\"content\":\"1\",\"newstype\":\"5\"}},{\"ett\":\"1541202678812\",\"en\":\"notification\",\"kv\":{\"ap_time\":\"1541184614380\",\"action\":\"3\",\"type\":\"4\",\"content\":\"\"}},{\"ett\":\"1541194686688\",\"en\":\"active_background\",\"kv\":{\"active_source\":\"3\"}}]}";
String x = new BaseFieldUDF().evaluate(line, "mid,uid,vc,vn,l,sr,os,ar,md,ba,sv,g,hw,nw,ln,la,t");
System.out.println(x);
}
}
一进多出UDTF:的写法如下:
package com.atguigu.udtf;
import org.apache.commons.lang.StringUtils;
import org.apache.hadoop.hive.ql.exec.UDFArgumentException;
import org.apache.hadoop.hive.ql.metadata.HiveException;
import org.apache.hadoop.hive.ql.udf.generic.GenericUDTF;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspectorFactory;
import org.apache.hadoop.hive.serde2.objectinspector.StructObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.primitive.PrimitiveObjectInspectorFactory;
import org.json.JSONArray;
import org.json.JSONException;
import java.util.ArrayList;
public class EventJsonUDTF extends GenericUDTF {
//该方法中，我们将指定输出参数的名称和参数类型：
@Override
public StructObjectInspector initialize(ObjectInspector[] argOIs) throws UDFArgumentException {
ArrayList<String> fieldNames = new ArrayList<String>();
ArrayList<ObjectInspector> fieldOIs = new ArrayList<ObjectInspector>();
//输出参数的名称和参数类型:
fieldNames.add("event_name");
//这一个语句的意思是:event_name和event_json的类型指定为String
fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);
fieldNames.add("event_json");
fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);
return ObjectInspectorFactory.getStandardStructObjectInspector(fieldNames, fieldOIs);
}
//输入1条记录，输出若干条结果
@Override
public void process(Object[] objects) throws HiveException {
// 获取传入的et
String input = objects[0].toString();
// 如果传进来的数据为空，直接返回过滤掉该数据
if (StringUtils.isBlank(input)) {
return;
} else {
try {
// 获取一共有几个事件（ad/facoriters）
JSONArray ja = new JSONArray(input);
if (ja == null)
return;
// 循环遍历每一个事件
for (int i = 0; i < ja.length(); i++) {
String[] result = new String[2];
try {
// 取出每个的事件名称（ad/facoriters）
result[0] = ja.getJSONObject(i).getString("en");
// 取出每一个事件整体
result[1] = ja.getString(i);
} catch (JSONException e) {
continue;
}
// 将结果返回
forward(result);
}
} catch (JSONException e) {
e.printStackTrace();
}
}
}
//当没有记录处理的时候该方法会被调用，用来清理代码或者产生额外的输出
@Override
public void close() throws HiveException {
}
}
总结:
UDF:
创建MAVEN工程,导入HIVE相关的依赖,创建类去继承UDF类,自己写一校验的方法(evaluate),这个方法传染两个参数:一个是一条原始的数据line,一个是表字段用逗号分割的String,叫做keys :首先准备一个StringBuilder对象,然后分别对我们传入的两个参数进行切割,将keys集合通过split方法进行切割成String数组.将原始的一条数据line切割成包含时间戳和json格式的数据,切割好之后,先做一个合法性的校验:判断切割好的数组长度是否为2和json格式的数据是否为空,如果错误.返回false。如果不为空,则创建jsonObject对象开始进行处理.通过遍历keys的中元素,取出jsonObject对象中所对应的值,并将其添加到StringBuilder对象中,最后将StringBuilder对象转成String并且返回。
UDTF:
创建一个类,extends GenericUDTF类,实现三个方法:initialize(),process(),close()方法。
在initialize()方法中,我们将指定输出参数的名称和参数的类型:event_name,event_json。两个都是String类型。在process方法中,获取我们输入的json对象,遍历循环每一个事件,取出事件的名称和事件整体。最后将结果返回。close()方法,当没有记录处理的时候,方法会被调用,关闭资源。
扫一扫
4195
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
