Hive —— Hive/Spark SQL常用函数(窗口分析函数、行列转换、JSON处理)

 

窗口分析函数

函数中用到的表数据如下图：

1. 分析函数

• row_number()
• rank()
• dense_rank()

这3个函数通常用在组内排序中，但实现的效果却不相同，用法如下：

select 
    name,subject,score,
    row_number() over(partition by name order by score) rn, 
    rank() over(partition by name order by score) rk,
    dense_rank() over(partition by name order by score) dr
from grade;

排序之后编号对比， 如下图：

2. 聚合函数

• count()组内计数
• sum()组内求和
• avg()组内求平均值
• max()&min()组内求最大最小值

下面SQL以sum函数为例展示聚合函数的用法，其他函数的用法类似。

select 
	name,subject,score,
	sum(score) over(partition by name order by subject) as sum1, -- 分组内起始行到当前行的和
	sum(score) over(partition by name order by subject rows between 1 preceding and current row) as sum2, --分组内当前行与前一行的和
	sum(score) over(partition by name order by subject rows between 1 preceding and 2 following) as sum3, --分组内当前行与后两行的和
	sum(score) over(partition by name order by subject rows between unbounded preceding and current row) as sum4, --分组内起始行到当前行的和
	sum(score) over(partition by name order by subject rows between current row and unbounded following) as sum5 ---分组内当前行到终止行的和
from grade;

计算结果如下图：

3. 窗口函数

• lag(col, n, default) 表示分组内列(col)的当前行之前的第n行, default为默认值
• lead(col, n, default) 表示分组内列(col)的当前行之后的第n行, default为默认值

用法如下图：

select 
    name,subject,score,
    lag(score, 1, 0) over(partition by name order by score) lag, -- lag(score, 1, 0)表示分组内列(score)的当前行之前的第1行, 0为默认值
    lead(score, 1, 0) over(partition by name order by score) lead -- lead(score, 1, 0)表示分组内列(score)的当前行之后的第1行, 0为默认值
from grade;

结果如下图：

• first_value(col) 组内排序第一个值
• last_value(col) 组内排序最后一个值

用法如下图：

select 
    name,subject,score,
    first_value(score) over(partition by name order by score) f
from grade;

 

行列转换

1. 行转列

原始数据如下图：

转换SQL：

select name, collect_list(score) from grade group by name;

结果：

2. 列转行

原始数据：

转换SQL：

select name, score from grade lateral view explode (scores) tmp as score

结果：

JSON处理

1. JSON对象

JSON对象的处理可以用get_json_object()函数或json_tuple()函数。

字段field的值是一个JSONObject：{“status”:0,“version”:“v1.0”}

• get_json_object()

  select 
      get_json_object(field, "$.status"),
      get_json_object(field, "$.version")
  from db.table;
  

• json_tuple()
  如果需要获取多个key的值，建议用json_tuple函数，性能优于get_json_object()。

  select 
      json.status, json.version
  from qjdods.cif_credit_report t
  lateral view json_tuple(report_value, 'status', 'version') json as 	status, version limit 1;
  

2. JSON数组

Hive SQL

Hive中的处理思路：

1. 把JSON对象之间的逗号(，)替换成特殊字符，比如^*，因为之后要以这个特殊字符串来切分
2. 替换掉中括号([])，为空
3. 以步骤1中的特殊字符串切分处理后的JSON数组
4. 结合 lateral view explode()函数，使得JSON数组转成多行JSON对象

select 
    id, json
from db.table
lateral view explode(
    split(
        regexp_replace(regexp_replace(json_array, "},", "}^*^*"), "\\[|\\]", ""), "\\^\\*\\^\\*"
    )
) t as json

Spark SQL

使用Hive SQL处理JSON数组有一个弊端，如果JSON数组里面有嵌套数组的时候，单纯的替换掉中括号得出的结果就是错误的。而Spark SQL提供了一个内建函数substring_index(str: Column, delim: String, count: Int)，这个函数可以从指定的索引位置，并指定指定分隔符来切分字符串，这样就可以实现只替换JSON数组中的首尾中括号。当然，在Hive SQL也可以自己写一个UDF来实现这个功能。

实现代码如下：

//Json数组行转列
def explodeFunc(spark: SparkSession, df: Dataset[Row]): Dataset[Row] = {
     
    import spark.implicits._
    df.select($"user_id",
        explode(
            split(
                substring_index(
                    substring_index(
                        regexp_replace($"json_array", "},", "}^*^*"),
                        "[", -1),
                    "]", 1),
                "\\^\\*\\^\\*"
            )
        ).as("json")
    )
}

 

时间处理

• 获取当前时间，并格式化(yyyy-MM-dd HH:mm:ss)

  from_unixtime(unix_timestamp(), 'yyyy-MM-dd HH:mm:ss')