hive中自定义JsonSerde处理复杂结构的json数据

使用背景

hive自身提供UDF函数get_json_object 支持json数据的操作，但是使用效果并不是非常理想。如果可以像普通hive建表指定字段映射到json中的key就太好了！幸好hive本身提供了数据序列化反序列化的接口Serde，开发者只需要自定义实现Serde接口实现自己的逻辑即可。下面介绍的是通过开源工具Hive-JSON-Serde-develop来实现的序列化反序列化操作实例。

具体介绍

1.下载Hive-JSON-Serde-develop源码，自己编译打成jar包：JsonSerde.jar；
2.将jar包放到HIVE_HOME的auxlib目录下，然后修改hive-env.sh，添加HIVE_AUX_JARS_PATH=$HIVE_HOME/auxlib/JSONSerDe.jar，这样每次运行hive客户端的时候都会将这个jar包添加到classpath中
3.编写hive建表语句，并保存到create_json_tab.hql文本中。下面附上我的业务数据json结构；

create external table if not exists json_tab (
    `_area` string,
    `_name` string,
    `_sex`  string,
    `_uuid` string,
    `nickname`  array<struct<`_trust`:float, `_vtime`:array<string>, `val`:string>>,
    `addr`      array<struct<`_trust`:float, `_vtime`:array<string>, `val`:string>>,
    `qq`        array<struct<`_trust`:float, `_vtime`:array<string>, `val`:string>>,
    `email`     array<struct<`_trust`:float, `_vtime`:array<string>, `val`:string>>,
    `tel`       array<struct<`_trust`:float, `_vtime`:array<string>, `val`:string>>,
    `refer`     array<map<string, string>>,
    `conflict`  array<map<string, string>>
)
-- 指定Serde类
row format serde "org.openx.data.jsonserde.JsonSerDe"
stored as textfile
-- 指定json数据位置
location '/data/test/json/';

4.执行 hive -f create_json_tab.hql 生成对应表并加载数据；
5.测试，编写sql进行测试。

注意

1. 由于我的json数据结构比较复杂，包含大量的Array, Map, Struct嵌套，所以get_json_object函数使用起来不方便，但是对于普通结构的json数据来说，该函数完全可以胜任，而且非常方便
2. 字段映射：JsonSerde默认采用的是同名映射，将json数据中的key映射到hive表中相同名字的字段上。jsonArray结构自动隐射成hive Array结构，jsonObject结构自动隐射成hive Map或者Struct结构
3. hive保留字符：hive本身包含若干保留字符，开发者可以通过在建表语句中添加WITH SERDEPROPERTIES(‘table’=’tab’)，并指定字段别名，比如说，如果json中的key是“table”，可以将其指定映射成hive表中的“tab”字段，这样就避免了保留字符冲突
4. hive表中的字段默认是不允许使用下划线“_”开头的，但是如果我们想保证hive表字段和json key一致的话，可以使用英文输入法状态下的飘号（tab键上面的 “）将字段包含起来，这样既可正确创建字段。具体见上面的sql语句。