Hive處理Json數據

2021 年 11 月 30 日
筆記
hadoop, hive

Json 格式的數據處理

Json 數據格式是我們比較常用的的一種數據格式，例如埋點數據、業務端的數據、前後端調用都採用的是這種數據格式，所以我們很有必要學習一下這種數據格式的處理方法

準備數據

cat json.data

{"movie":"1193","rate":"5","timeStamp":"978300760","uid":"1"}
{"movie":"661","rate":"3","timeStamp":"978302109","uid":"1"}
{"movie":"914","rate":"3","timeStamp":"978301968","uid":"1"}
{"movie":"3408","rate":"4","timeStamp":"978300275","uid":"1"}
{"movie":"2355","rate":"5","timeStamp":"978824291","uid":"1"}
{"movie":"1197","rate":"3","timeStamp":"978302268","uid":"1"}
{"movie":"1287","rate":"5","timeStamp":"978302039","uid":"1"}
{"movie":"2804","rate":"5","timeStamp":"978300719","uid":"1"}
{"movie":"594","rate":"4","timeStamp":"978302268","uid":"1"}

創建hive表並且加載數據

create table ods.ods_json_data(text string);
load data local inpath "/Users/XXX/workspace/hive/json.data" overwrite into table ods.ods_json_data;

get_json_object 和 json_tuple 函數

json_tuple 不支持json 的嵌套處理，但是支持一次性獲取多個頂級的key對應的值

get_json_object 不支持一次獲取多個值，但是支持複雜json 的處理

get_json_object(）

用法：get_json_object(string json_string, string path) 前面我們介紹過如何查看函數的用法desc function get_json_object

返回值：String

說明：解析json的字符串json_string，返回path指定的內容。如果輸入的json字符串無效，那麼返回NUll，這個函數每次只能返回一個數據項。

具體示例： get_json_object(value,』$.id』)

select get_json_object(text,"$.movie") from ods.ods_json_data;

這個函數的不足之處是，它只能返回一個值，就是我們不能一次性從json 中提取多個值，如果要提取多個值的話，就要多次調用這個函數,但是我們下面介紹的json_tuple 就可以,但是這不是說這個函數不強或者怎麼樣，記住這個函數的api 可以幫你節約很多時間

json_tuple

用法：json_tuple(jsonStr, p1, p2, …, pn) 整理的pn 就是我們要提取的鍵

返回值：tuple(v1,…vn) 這裡的返回值v1 … vn 和鍵p1 …. pn 是相對應的

select json_tuple(text,'movie','rate','timeStamp','uid') from ods.ods_json_data;

json_tuple相當於get_json_object的優勢就是一次可以解析多個Json字段。

例子演示

1. 嵌套json 的處理

前面我們說了json_tuple不支持嵌套JSON 的處理

select get_json_object('{"movie":"594","rate":"4","timeStamp":"978302268","uid":"1","info":{"name":"天之驕子"}}',"$.info.name")
select json_tuple('{"movie":"594","rate":"4","timeStamp":"978302268","uid":"1","info":{"name":"天之驕子"}}',"info.name")

2. Json數組解析(get_json_object 實現)

SELECT get_json_object('[{"website":"www.ikeguang.com","name":"我的生活記憶"},{"website":"beian.ikeguang.com","name":"備案"}]', '$.[0].website'), get_json_object('[{"website":"www.ikeguang.com","name":"我的生活記憶"},{"website":"beian.ikeguang.com","name":"備案"}]', '$.[1].website');

這個時候時候你發現我提取的都是json 數組中的website,有沒有什麼簡單的辦法呢，理論上get_json_object 只能有一個返回值，無論如何都需要寫多個，那你有沒有想過一個問題，我要是這個數組裏面有100個元素都是json,我需要每一個json 的website 那我是不是需要寫100次了，這個時候你要是仔細閱讀這個函數的api 的話，你就會發現了另外一個符號*

SELECT get_json_object('[{"website":"www.ikeguang.com","name":"我的生活記憶"},{"website":"beian.ikeguang.com","name":"備案"}]', '$.[*].website')

這下你知道了，get_json_object 是只能返回一個元素，不是只能返回一個字符串，上面本來就是一個json 數組，那要是我們是從json 裏面解析出來的數組怎麼處理呢？

SELECT get_json_object('{"info":[{"website":"www.ikeguang.com","name":"我的生活記憶"},{"website":"beian.ikeguang.com","name":"備案"}]}', '$.info');

需要注意下面這樣操作之後你拿到的就是一個json 字符串了，這下你就可以按照上面的方式再處理一次了

select get_json_object (get_json_object('{"info":[{"website":"www.ikeguang.com","name":"我的生活記憶"},{"website":"beian.ikeguang.com","name":"備案"}]}', '$.info' ),'$.[1].website');

但是有時候我們希望直接獲取，而不是通過這樣嵌套的方式，這個時候其實就是將上面的嵌套的get_json_object函數的path 參數進行組合

SELECT get_json_object('{"info":[{"website":"www.ikeguang.com","name":"我的生活記憶"},{"website":"beian.ikeguang.com","name":"備案"}]}', '$.info[1].website');

這個時候如果我們再上 * 進行加持，那就很簡單了

SELECT get_json_object('{"info":[{"website":"www.ikeguang.com","name":"我的生活記憶"},{"website":"beian.ikeguang.com","name":"備案"}]}', '$.info[*].website');

其實到這裡我們學習了指定一個數組的某個下標獲取一個元素，指定* 獲取全部元素，那就如我就想獲取前三個或者偶數個或者奇數個呢，哈哈，如果你回過頭去看api 你就是知道了提供了一個Union operator，指定任意你想組合的下標即可,獲取

SELECT get_json_object('{"info":[{"website":"www.ikeguang.com","name":"我的生活記憶"},{"website":"beian.ikeguang.com","name":"備案"}]}', '$.info[0,1].website');

下面我們嘗試獲取一下偶數個，或者奇數個或者是一定範圍內的奇數個或者偶數個,其實就是上面提供的數組切片，你可以參考api 進行使用

SELECT get_json_object('{"info":[{"website":"www.ikeguang.com","name":"我的生活記憶"},{"website":"beian.ikeguang.com","name":"備案"},{"website":"www.ikeguang2.com","name":"我的生活記憶"}]}', '$.info[0:2:2].website');

但是我嘗試了一下，發現這個功能有bug，不能做到切片的效果，每次都是全部返回

SELECT get_json_object('{"info":[
	{"website":"www.ikeguang.com","name":"我的生活記憶"},
	{"website":"beian.ikeguang.com","name":"備案"},
	{"website":"www.ikeguang2.com","name":"我的生活記憶"}]}', '$.info[0:2:2].website');

加載JSON 數據

對於上面json.data 的數據，我們能不能在load 數據到hive 的時候就處理，而不是load 完之後再到使用的時候去處理，尤其是針對這種嵌套結構不是很複雜的這種json 格式

create table ods.ods_json_parse_data(
movie string,
rate string,
`timeStamp` string,
uid string)
ROW FORMAT SERDE 'org.apache.hive.hcatalog.data.JsonSerDe'
STORED AS TEXTFILE;
load data local inpath "/Users/liuwenqiang/workspace/hive/json.data" overwrite into table ods.ods_json_parse_data;

這種方法需要注意的是你的數據類型和字段名稱都要匹配，否則就會報錯或者不能獲取到值,那要是複雜一點的嵌套結構呢，其實也可以,在上面的數據基礎上添加了一個嵌套的字段也是可以的

{"movie":"1193","rate":"5","timeStamp":"978300760","uid":"1","info":{"name":"天之驕子"}}

create table ods.ods_json_parse_data2(
movie string,
rate string,
`timeStamp` string,
uid string,
info map<string,string>)
ROW FORMAT SERDE 'org.apache.hive.hcatalog.data.JsonSerDe'
STORED AS TEXTFILE;
load data local inpath "/Users/liuwenqiang/workspace/hive/json.data" overwrite into table ods.ods_json_parse_data2;

總結

get_json_object 和 json_tuple 函數的使用場景和其優缺點
如果json 格式比較簡單，那麼可以在建表加載數據的時候就可以將json 處理掉，如果比較複雜也可以再加載的時候解析一部分，然後再通過SQL 進行解析
也可以嘗試寫一些UDF 函數來處理JSON

關注公眾號：大數據技術派，回復”資料”，領取1024G資料。

Tags: hadoop hive