用python实现Hive中的UDF函数

简介

hive为我们提供了众多的内置函数，但是在实际的运用过程中任然不能满足我们所有的需求，hive是用Java开发的，本身提供了使用Java去开发udf的方式，而这里我们采用python的方式实现udf函数。

demo实现

数据准备

我们再hive上创建一个external表，代码如下

create external table person(
name string,
idcard string)
ROW FORMAT DELIMITED 
FIELDS TERMINATED BY '\t'
STORED as TEXTFILE;

field分割符使用 \t
我们将数据放入hive的warehouse中：

hdfs dfs -put person.txt /user/hive/warehouse/test_neil.db/person

或者是：

LOAD DATA LOCAL INPATH '/home/mon/data/person.txt' OVERWRITE INTO TABLE person;

使用hive function去实现

select idcard,
case when length(idcard) = 18 then
             case when substring(idcard,-2,1) % 2 = 1 then '男' 
             when substring(idcard,-2,1) % 2 = 0 then '女' 
             else 'unknown' end 
     when length(idcard) = 15 then 
            case when substring(idcard,-1,1) % 2 = 1 then '男'
            when substring(idcard,-1,1) % 2 = 0 then '女'
            else 'unknown' end
     else '不合法' end 
from person;

UDF编写

如下是我们的udf代码：

# -*- coding: utf-8 -*-
import sys
 
for line in sys.stdin:
    detail = line.strip().split("\t")
    if len(detail) != 2:
        continue
    else:
        name = detail[0]
        idcard = detail[1]
        if len(idcard) == 15:
            if int(idcard[-1]) % 2 == 0:
                print("\t".join([name,idcard,"女"]))
            else:
                print("\t".join([name,idcard,"男"]))
        elif len(idcard) == 18:
            if int(idcard[-2]) % 2 == 0:
                print("\t".join([name,idcard,"女"]))
            else:
                print("\t".join([name,idcard,"男"]))
        else:
            print("\t".join([name,idcard,"身份信息不合法!"]))

测试

我们在hive中执行查询的时候，报错的提示不是很多详细，我们可以使用cat指令去测试python脚本的执行结果
我们在终端中执行如下命令：
cat person.txt | python person.py

使用

我们在HIVE中使用python定义的udf函数要借助transform函数去执行
transform函数的语法如下：

SELECT TRANSFORM (<columns>)
USING 'python <python_script>'
AS (<columns>)
FROM <table>;

transfrom和as的columns的个数不必一致.

我们首先需要将我们的person.py加载入

我们在hive中去执行如下代码:

add file /xxx/person.py

xxx为本地文件的路径.
然后使用transform函数执行:

select transform(name,idcard) USING 'python person.py'  AS (name,idcard,gender) from person;

结果