Hive与Presto中的列转行区别

1、背景描述

在处理数据时，我们经常会遇到一个字段存储多个值，这时需要把一行数据转换为多行数据，形成标准的结构化数据

例如，将下面的两列数据并列转换为三行，使得code和name一一对应

id	code	name
1	a、b、c	A、B、C

Hive、Spark和Presto都提供了这种实现，但有所不同。下面通过这个案例介绍三者之间的区别及注意事项

2、Hive/Spark列转行

Hive和Spark都可以使用lateral view posexplode实现：

select id, pos1, sub_code, pos2, sub_name from tmp
lateral view posexplode(split(code,'、')) v1 as pos1, sub_code
lateral view posexplode(split(name,'、')) v2 as pos2, sub_name
where id='1' and pos1=pos2

Hive On MapReduce与Hive On Spark的执行结果如下：

id	sub_code	sub_name
1	a	A
1	b	B
1	c	C

值得注意的是，lateral view posexplode会自动过滤被转换列字段值为空的数据，进而导致数据丢失

优化方案是将lateral view修改为lateral view outer后尝试

更多关于lateral view UDTF的使用见文章：传送门

3、Presto列转行

使用PrestoSQL的交叉连接cross join unnest实现：

with t1 as(
    select id,sub_code,row_number() over() rn
    from temp
    cross join unnest(split(code, '、')) as t (sub_code)
    where id='1'
),
t2 as (
    select id,sub_name,row_number() over() rn
    from temp
    cross join unnest(split(name, '、')) as t (sub_name)
    where id='1'
)
select t1.id, t1.sub_code, t2.sub_name
from t1
left join t2 
on t1.rn = t2.rn
order by t1.rn

PrestoSQL的执行结果如下：

id	sub_code	sub_name
1	b	B
1	a	A
1	c	C

需要注意的是，cross join unnest不会自动过滤被转换列和转换列字段值为空的数据，因此此方式数据不会丢失

例如，当转换列字段值存在空值时：

id	code	name
1	a、b、c	A、B

cross join unnest列转行的结果为

id	sub_code	sub_name
1	a	A
1	c	NULL
1	b	B

当被转换列字段值存在空值时：

id	code	name
1	a、b、c	NULL

cross join unnest列转行的结果为

id	sub_code	sub_name
1	b	NULL
1	a	NULL
1	c	NULL