Hive 函数

1. 函数

1.1 系统内置函数

查看系统内置函数

show functions;

查看某一自带函数的描述

desc function upper;

查看某一自带函数的详细描述

desc function extended upper;

1.2 常用的内置函数

数据准备：

create table stu_fun
(
    id    int,
    name  string,
    class string,
    sex   string,
    skill string,
    scala double
)
    row format delimited fields terminated by '\t'
    stored as textfile;
    load data local inpath '/root/stu_fun.txt' into table stu_fun;

1.2.1 nvl

语法结构：nvl(value,default_value)

函数描述：如果value为空则返回默认值，否则返回值

案例1：字段为空时，使用 -1 替换

select id, name, nvl(scala, -1) from stu_fun;

案例2：字段为空时，使用其他字段替换

select id, name, nvl(scala, id) from stu_fun;

1.2.2 case

语法结构：case col when b then c [when d then e]* [else f] end

函数描述：当 col_val = b 时，返回 c；当 col_val = d 时，返回 e；否则返回 f

案例：统计每个班的各性别人数

select class, 
       sum(case sex when '男' then 1 else 0 end) boy ,
       sum(case sex when '女' then 1 else 0 end) gril
from stu_fun group by class;

1.2.3 concat（行转列）

语法结构：concat(str1, str2, ... strN)

函数描述：返回str1, str2，…strN；或 concat(bin1, bin2，…binN)，返回二进制数据 bin1, bin2，…binN

衍生函数：concat_ws(separator, [string | array(string)]+)

函数描述：返回由分隔符分隔的字符串的拼接

注意：CONCAT_WS must be "string or array<string>"，也就是说如果包含其他类型的字段，需要放在array中

案例1：将多行合为一列

select concat(id, name, class) from stu_fun;

案例2：合并时，使用间隔符

select concat_ws(" / ", `array`(id, name, class)) from stu_fun;

案例3：将相同 class、sex 的学生合并

select
       t1.class_sex,
       concat_ws(" / ", collect_set(t1.name)) stus
from (
    select stu_fun.name,
    concat_ws(" - ", class, sex) class_sex
    from stu_fun
) t1
group by t1.class_sex;

collect_set(col)：接收基本类型，用于将某字段的值去重并汇总，产生 Array 类型字段。

1.2.4 explode（列转行）

语法格式：explode(col)

函数描述：将 col 的元素分隔为多行，或将映射的元素分隔为多行和多列

案例1：将每位同学技能拆开

select explode(split(skill, ",")) sks from stu_fun;

案例2：将每位同学技能拆开，并进行笛卡尔积

lateral view

用法：lateral view udtf(expression) tableAlias as columnAlias

描述：用于和 split、explode 等 UDTF 一起使用，能够将一列数据拆成多行数据，在此基础上可以对差分后的数据进行聚合。

注意：拆分后得到的 columnAlias 为 array 类型.

select name,sks from stu_fun
lateral view 
	explode(split(skill, ",")) tmp_skill as sks;

案例3：统计不同技能，掌握的人数

PS：本来是想查出不同技能，具体掌握的学生姓名，并用 concat_ws 合并到一起，但没能实现，有好方法望留言！！

select map_keys(t2.sk_stu)[0], count(map_values(t2.sk_stu))
from (
         select str_to_map(concat_ws(",", concat_ws(":", t1.sks, t1.name))) sk_stu
         from (
                  select name, sks
                  from stu_fun
                           lateral view explode(split(skill, ",")) tmp_skill as sks
             ) t1
     ) t2
group by map_keys(t2.sk_stu);

1.2.5 窗口函数

窗口函数：又名开窗函数（over），属于分析函数的一种，用于指定分析函数工作的数据窗口大小，这个数据窗口大小可能会随行的变化而变化。

子句

• n preceding：往前 n 行数据
• n following：往后 n 行数据
• current row：当前行
• unbounded：起点
  • unbounded preceding：从前面的起点开始
  • unbounded following：表示到后面的终点结束
• lag：返回当前数据行的上一行数据
• lead：返回当前数据行的下一行数据
• ntile(n)：序列函数，用于对分组数据按照顺序切片分成 n（编号从1开始）片，返回当前切片值

准备数据：

create table order_fun(
    name string,
    dt string,
    cost int
) row format delimited fields terminated by '\t';
load data local inpath '/root/order_fun.txt' into table order_fun;

案例1：查询某月购买过的顾客及总人数

select name, count(*) over()
from order_fun
where substr(dt, 1, 7) = "2021-11"
-- where month(dt)=11 and year(dt)=2021
group by name;

案例2：查询顾客购买明细及每月购买总额

select *, sum(cost) over(partition by month(dt))
from order_fun;

案例3：将每个顾客的cost按照日期进行累加

select *,
       -- 所有行相加
       sum(cost) over ()                                                                                sample1,
       -- 按 name 分区，区内数据相加
       sum(cost) over (partition by name)                                                               sample2,
       -- 按 name 分区，区内数据累加
       sum(cost) over (partition by name order by dt)                                                   sample3,
       -- 同 sample3，由起点到当前行聚合
       sum(cost) over (partition by name order by dt rows between UNBOUNDED PRECEDING and current row ) sample4,
       -- 当前行与前面一行做聚合
       sum(cost) over (partition by name order by dt rows between 1 PRECEDING and current row )         sample5,
       -- 当前行与前面一行与后面一行做聚合
       sum(cost) over (partition by name order by dt rows between 1 PRECEDING and 1 FOLLOWING)          sample6,
       -- 当前行与后面所有行做聚合
       sum(cost) over (partition by name order by dt rows between CURRENT ROW and UNBOUNDED FOLLOWING)  sample7
from order_fun;

rows 必须跟在 order by 子句之后，对排序的结果进行限制，使用固定的行数来限制分区中的数据行数。

案例4：查看顾客上次购买时间

select *,
       lag(dt, 1, '2021-11-17') over (partition by name order by dt) time1,
       lag(dt, 2) over (partition by name order by dt) time2
from order_fun;

案例5：查询前20%时间的订单

select *
from (
         select *,
                ntile(5) over (order by dt) sorted
         from order_fun
     ) t1
where sorted = 1;

1.2.6 Rank

rank()：排序相同时会会重复，总数不变

dense_rank()：排序相同时会重复，总数会减少

row_number()：会根据顺序计算

准备数据：

create table stu_score_fun
(
    name    string,
    subject string,
    score   int
) row format delimited fields terminated by '\t';
load data local inpath '/root/stu_score_fun.txt' into table stu_score_fun;

案例：对学生按成绩排名

select *,
       rank() over (partition by subject order by score desc) rk,
       dense_rank() over (partition by subject order by score desc) dr,
       row_number() over (partition by subject order by score desc) rn
from stu_score_fun;

1.2.7 自定义函数

自定义函数（User Defined Function，UDF）：除Hive内置的函数外，支持用户自定义函数。

自定义函数分类：

• UDF：一进一出
• UDAF（Aggregation）：聚集函数，多金一出
• UDTF（Table-Generating）：一进多出

编程步骤：

• 创建 maven 工程，引入依赖 hive-exec
• 编写类，继承 org.apache.hadoop.hive.ql.udf.UDF
• 编写方法 evaluate
• 将工程打包成 jar 上传至 HDFS
• 在 Hive 中创建函数 create [temporary] function db_name.func_name as '类的引用' using jar 'hdfsJar路径';

1.2.8 自定义 UDF 函数

需求，日志中的IP解析出对应的地址。

1️⃣ 创建空的maven工程

2️⃣ 导入依赖：httpclient（用于处理HTTP请求）、hive-exec（hive所需依赖）

<dependencies>
    <dependency>
        <groupId>org.apache.httpcomponents</groupId>
        <artifactId>httpclient</artifactId>
        <version>4.5.13</version>
    </dependency>
    <dependency>
        <groupId>org.apache.hive</groupId>
        <artifactId>hive-exec</artifactId>
        <version>2.3.9</version>
    </dependency>
</dependencies>

3️⃣ 实现 IP 的解析 IPGEOUtils

import org.apache.http.HttpEntity;
import org.apache.http.client.methods.CloseableHttpResponse;
import org.apache.http.client.methods.HttpGet;
import org.apache.http.impl.client.CloseableHttpClient;
import org.apache.http.impl.client.HttpClients;
import org.apache.http.util.EntityUtils;

import java.io.IOException;
import java.util.Arrays;
import java.util.List;

public class IPGEOUtils {

    private static final String URL = "http://ip.ws.126.net/ipquery?ip=";
    private static CloseableHttpClient client = HttpClients.createDefault();

    public static List<String> getGEO(String ip) throws IOException {
        HttpGet request = new HttpGet(URL + ip);
        if (client == null) {
            client = HttpClients.createDefault();
        }
        CloseableHttpResponse response = client.execute(request);
        HttpEntity entity = response.getEntity();
        String res = EntityUtils.toString(entity);
        String[] split = res.split("\"");
        String pro = split[1];
        String city = split[3];
        return Arrays.asList(pro, city);
    }
}

4️⃣ 自定义 UDF 函数，继承 UDF，必须将方法名命名为 evaluate

import org.apache.commons.logging.LogFactory;
import org.apache.hadoop.hive.ql.exec.UDF;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;

import java.io.IOException;

public class IP_Get extends UDF {

    private static Logger logger = LoggerFactory.getLogger(IP_Get.class);

    public String evaluate(String ip){

        String city = null;
        try {
            city = IPGEOUtils.getGEO(ip).get(1);
        } catch (Exception e){
            logger.warn("有点问题！", e);
        }
        return city;
    }

}

5️⃣ 将项目打成 jar 包上传至服务器，再上传至 HDFS

hdfs dfs -put <jar_name> <HDFS_path>

6️⃣ 创建函数，并与 jar 包相关联（create temporary 可创建临时函数，及当前窗口有效）

create function get_city as 'IP_Get' using jar 'hdfs://node1:8020/IP_GEO.jar';

7️⃣ 测试该函数

 select get_city(split(line, " ")[0]) from weblog00 limit 10;

 

---

❤️ END ❤️