Hive对JSON格式的支持研究

一、背景

JSON是一种通用的存储格式,在半结构化存储中十分常见,部分场景已经开始存在以JSON格式贴源存储的数据,作为下游数据使用方,我们亟需对JSON格式的数据进行加工和处理,以提取出我们需要的数据,以对外提供更完善的数据服务。

经过调研,目前hive已对JSON格式的数据提供了相应的支持,但在一些复杂场景可能无法达到我们的需求以及理想的性能,具体介绍如下。

二、解析JSON对象的方法

(一)get_json_object(string json_string, string path)

  1. 返回值:String
  2. 说明:解析json的字符串json_string,返回path指定的内容。如果输入的json字符串无效,那么返回NUll,这个函数每次只能返回一个数据项。
  3. 测试a:

--1 测试get_json_object()

select get_json_object('{"name":"小明","age":"18"}','$.name');

输出:小明

  1. 测试b:

数据json.txt

{"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"}

create table json(data string);

load data local inpath '/home/hadoop/json.txt' into table json;

select * from json;

select get_json_object(data,'$.movie') as movie from json;

输出:
Hive对JSON格式的支持研究

  1. 限制

该方法只能返回一个JSON属性的数据,不能同时返回多个。若为了获取多个JSON属性的数据而多次调用get_json_object方法,相当于对JSON数据进行重复多次解析,性能会有所损耗。那么,是否有一个方法能够解析一次JSON数据,返回多个JSON属性的数据呢?有,那就是json_tuple()。

(二)json_tuple(jsonStr, k1, k2, ...)

  1. 返回值:tuple
  2. 说明:参数为json字符串和一组键k1,k2,…,返回值的元组。因为可以在一次调用中输入多次键,一次可以解析多个Json字段,因此该方法比get_json_object高效。
  3. 测试:

select b.b_movie,b.b_rate,b.b_timeStamp,b.b_uid from json a lateral view

json_tuple(a.data,'movie','rate','timeStamp','uid') b as b_movie,b_rate,b_timeStamp,b_uid;

  1. 限制

该方法和上面介绍的get_json_object()方法都无法对JSON数组进行解析。我们将在第三节对JSON数组的解析进行专题介绍。

(三)自定义函数解析json对象

  1. 自定义函数

1.

2. package com.data;

3.

4. import org.apache.commons.lang3.StringUtils;

5. import org.apache.hadoop.hive.ql.exec.UDF;

6. import org.json.JSONException;

7. import org.json.JSONObject;

8. import org.json.JSONTokener;

9.

10. /**

11. *

12. * add jar jar/getJsonObjectUDF.jar;

13. * create temporary function getJsonObject as 'com.data.JsonObjectParsing';

14. * Json对象解析UDF

15. * @Author:

16. * @Date: 2020/9/25

17. */

18. public class JsonObjectParsing extends UDF {

19. public static String evaluate(String jsonStr, String keyName) throws JSONException {

20. if(StringUtils.isBlank(jsonStr) || StringUtils.isBlank(keyName)){

21. return null;

22. }

23. JSONObject jsonObject = new JSONObject(new JSONTokener(jsonStr));

24. Object objValue = jsonObject.get(keyName);

25. if(objValue==null){

26. return null;

27. }

28. return objValue.toString();

29. }

30. }

  1. 测试:

--1 将getJsonObjectUDF.jar上传到hdfs

source ${HADOOP_CLIENT}/bigdata_env

kinit -k etluser/hadoop -t ${WORK_ROOT}/etl_tools/config/etluser.keytab

hadoop fs -rm -f -r /user/etluser/pgm/tempUDF

hadoop fs -mkdir -f -r /user/etluser/pgm/tempUDF

hdsoop fs -put ${WORK_ROOT}/pgm/tempUDF/getJsonObjectUDF.jar /user/etluser/pgm/tempUDF/

--2 创建临时函数getJsonObject()

use udf;

set hive.security.temporary.function.need.admin=false;

create temporary function getJsonObject as 'com.data.JsonObjectParsing' using jar '/user/etluser/pgm/tempUDF/getJsonObjectUDF.jar';

--3 建表db.json

DROP TABLE IF EXISTS DB.JSON;

CREATE TABLE IF NOT EXISTS DB.JSON (

JSON_DATA STRING COMMENT 'json'

)

COMMENT 'hive json'

PARTITIONED BY (pt_dt STRING)

ROW FORMAT DELIMITED FIELDS TERMINATED BY '\27'

STORED AS TEXTFILE;

--4 插入测试数据

INSERT INTO TABLE DB.JSON VALUES('{"id":"3","age":"12"}');

--5 使用临时函数getJsonObject()

SELECT getJsonObject(JSON_DATA,'id') as id, getJsonObject(JSON_DATA,'age') as age FROM DB.JSON WHERE pt_dt='2020-09-25';

输出:3 12

三、解析JSON数组的方法

(一)使用Hive自带的函数解析Json数组

  1. 说明:Hive的内置的explode函数,explode()函数接收一个 array或者map 类型的数据作为输入,然后将 array 或 map 里面的元素按照每行的形式输出。其可以配合 LATERAL VIEW 一起使用。

  2. 测试:

select explode(array('A','B','C'));

输出: A

B

C

select explode(map('A',10,'B',20,'C',30));

输出:A 10

B 20

C 30

这个explode函数和我们解析json数据是有关系的,我们可以使用explode函数将json数组里面的元素按照一行一行的形式输出:

SELECT explode(split(

regexp_replace(

regexp_replace(

'[

{"website":"www.baidu.com","name":"百度"},

{"website":"google.com","name":"谷歌"}

]',

'\\[|\\]',''), --将 Json 数组两边的中括号去掉

'\\}\\,\\{' --将 Json 数组元素之间的逗号换成分号

,'\\}\\;\\{'),

'\\;')); --以分号作为分隔符

输出:{"website":"www.baidu.com","name":"百度"}

{"website":"google.com","name":"谷歌"}

结合 get_json_object 或 json_tuple 来解析里面的字段:

select json_tuple(json, 'website', 'name') from (SELECT explode(split(regexp_replace(regexp_replace('[{"website":"www.baidu.com","name":"百},{"website":"google.com","name":"谷歌"}]', '\\[|\\]',''),'\\}\\,\\{','\\}\\;\\{'),'\\;')) as json) test;

输出:

www.baidu.com 百度

google.com 谷歌

(二)自定义函数解析JSON数组

虽然可以使用Hive自带的函数类解析Json数组,但是使用起来有些麻烦。Hive提供了强大的自定义函数(UDF)的接口,我们可以使用这个功能来编写解析JSON数组的UDF。

  1. 自定义函数

1.

2. package com.data;

3.

4. import org.apache.hadoop.hive.ql.exec.Description;

5. import org.apache.hadoop.hive.ql.exec.UDF;

6. import org.json.JSONArray;

7. import org.json.JSONException;

8. import java.util.ArrayList;

9.

10.

11. public class JsonArray extends UDF{

12. public ArrayList<String> evaluate(String jsonString) {

13. if (jsonString == null) {

14. return null;

15. }

16. try {

17. JSONArray extractObject = new JSONArray(jsonString);

18. ArrayList<String> result = new ArrayList<String>();

19. for (int ii = 0; ii < extractObject.length(); ++ii) {

20. result.add(extractObject.get(ii).toString());

21. }

22. return result;

23. } catch (JSONException e) {

24. return null;

25. } catch (NumberFormatException e) {

26. return null;

27. }

28. }

29.

30. }

将上面的代码进行编译打包,jar包名为:getJsonArrayUDF.jar

--1 将getJsonArrayUDF.jar上传到hdfs

source ${HADOOP_CLIENT}/bigdata_env

kinit -k etluser/hadoop -t ${WORK_ROOT}/etl_tools/config/etluser.keytab

hadoop fs -rm -f -r /user/etluser/pgm/tempUDF

hadoop fs -mkdir -f -r /user/etluser/pgm/tempUDF

hdsoop fs -put ${WORK_ROOT}/pgm/tempUDF/getJsonArrayUDF.jar /user/etluser/pgm/tempUDF/

--2 创建临时函数getJsonObject()

use udf;

set hive.security.temporary.function.need.admin=false;

create temporary function getJsonArray as 'com.data.JsonArray' using jar '/user/etluser/pgm/tempUDF/getJsonArrayUDF.jar';

--3 使用临时函数getJsonObject()

select explode(getJsonArray('[{"website":"www.baidu.com","name":"百度"},{"website":"google.com"name":"谷歌"}]'));

输出:www.baidu.com 百度

google.com 谷歌

四、对where条件的支持

(一)get_json_object(string json_string, string path)对where条件的支持

  1. 是否支持:是
  2. 实验

SELECT  b.b_movie,b.b_rate,b.b_timeStamp,b.b_uid from db.json a

lateral view json_tuple(a.json_data, 'movie', 'rate', 'timeStamp', 'uid') b as b_movie,b_rate,b_timestamp,b_uid

where a.pt_dt='2020-09-25'

and get_json_object(a.json_data,'$.movie')='661';

(1) 输出:

661 3 9978302109 1

(2) 源表数据量:9条JSON格式数据,每条JSON数据又4个属性。

(3) 耗时:35.39s

(二)json_tuple(jsonStr, k1, k2, ...)对where条件的支持

  1. 是否支持:是
  2. 实验

SELECT  b.b_movie,b.b_rate,b.b_timeStamp,b.b_uid from db.json a

lateral view json_tuple(a.json_data, 'movie', 'rate', 'timeStamp', 'uid') b as b_movie,b_rate,b_timestamp,b_uid

where a.pt_dt='2020-09-25'

and b.b_movie='661' and b.b_rate='3';

(1) 输出

661 3 978302109 1

(2) 源表数据量:9条JSON格式数据,每条JSON数据又4个属性。

(3) 耗时:42.422s

五、总结

在一些数据加工场景下,例如,当我们需要获取源表JSON字段中的相关信息时,就需要对该字段的JSON数据进行解析。这时候就十分需要Hive对JSON格式的数据解析提供支持。

目前Hive官方提供了get_json_object();json_tuple();explode();splite();regexp_replace()等函数,运用得当还是能解决不少问题。当然,这些函数的组合使用存在一定的限制性,编码风格也较为复杂,可读性较差;可以考虑使用自建UDF函数的方法,将JSON数据的解析放到Java等高级语言中去实现,简化解析JSON数据时的复杂编码,且能做到组件化复用。

以上是 Hive对JSON格式的支持研究 的全部内容, 来源链接: utcz.com/a/129908.html

回到顶部