关于在Hive中将特定字符分隔的字符串拆分成多行的应用

Posted 2023-04-22

参考技术A Subject ：关于在 Hive 中将特定字符分隔的字符串拆分成多行的应用

Keys ： lateral view 、 split 、 explode 、 HQL 、 Hive 、数据拆分

1、案例描述

 假设：

有问卷p1,p2,p3,每个问卷含有问题q1,q2,q3...,每个问题对应答案a11,a21,a31，问题与答案之间,用':'分隔,每个问题之间以','分隔.例如:q1:a11,q2:a21,q3:a31:a32

问题：

将问题与答案拆分成独立的列，如：

P1 q1 a11

P1 q2 a21

…

解决方案：

使用lateral View结合Explode实现数据拆分。

2、小知识：

lateral view用于和split、explode等UDTF一起使用的，能将一行数据拆分成多行数据，在此基础上可以对拆分的数据进行聚合，lateral view首先为原始表的每行调用UDTF，UDTF会把一行拆分成一行或者多行，lateral view在把结果组合，产生一个支持别名表的虚拟表。

1）. Lateral View语法

lateral View: LATERAL VIEW udtf(expression) tableAlias AS columnAlias (',' columnAlias)*

from Clause: FROM baseTable(lateralView)* 

2). Lateral View用于UDTF(user-defined table generating functions)中将行转成列，例如explode().

3). 目前Lateral View不支持有上而下的优化。如果使用Where子句，查询可能将不被编译。解决方法见：此时，在查询之前执行et hive.optimize.ppd=false;

3、实现步骤:

2.1 创建测试数据

drop table temp_bigdata.test_p1;

create table temp_bigdata.test_p1 as

select 'p1' as p,'q1:a11,q2:a21,q3:a31:a32' as qa from default.dual union all

select 'p2' as p,'q1:a11,q2:a21:a22,q3:a31:a32' as qa from default.dual union all

select 'p3' as p,'q1:a11,q2:a21,q3:' as qa from default.dual;

2.2 查看数据内容

select * from temp_bigdata.test_p1;

 

  p   qa

  p3   q1:a11,q2:a21,q3

  p2   q1:a11,q2:a21:a22,q3:a31:a32

  p1   q1:a11,q2:a21,q3:a31:a32

2.3 测试explode函数

select explode(split(qa,',')) as qa1 from temp_bigdata.test_p1;

  q1:a11

  q2:a21

  q3:

  q1:a11

  q2:a21:a22

  q3:a31:a32

  q1:a11

  q2:a21

  q3:a31:a32

2.4 开始处理,先将问题拆分成独立行

drop table temp_bigdata.test_p1_adid;

create table temp_bigdata.test_p1_adid as

select row_number() over(order by p,adid) rid,p, adid

  from temp_bigdata.test_p1 LATERAL VIEW explode(split(qa,',')) adtable AS adid;

select * from temp_bigdata.test_p1_adid;

rid    p     adid

1    p1    q1:a11

2    p1    q2:a21

3    p1    q3:a31:a32

4    p2    q1:a11

5    p2    q2:a21:a22

6    p2    q3:a31:a32

7    p3    q1:a11

8    p3    q2:a21

9    p3    q3:

2.5 再将每个问题中的问题及答案拆分成多行

create table temp_bigdata.test_p1_adid2 as

select rid,

       p,

       adid, --拆分后的问题和答案

       split(adid,':')[0] as q,  --取出问题

       adid2 --拆分答案为行

  from temp_bigdata.test_p1_adid

  LATERAL VIEW explode(split(adid,':')) adttable2 as adid2;

select * from temp_bigdata.test_p1_adid2;

rid     p    adid    q     adid2

1    p1    q1:a11    q1    q1

1    p1    q1:a11    q1    a11

2    p1    q2:a21    q2    q2

2    p1    q2:a21    q2    a21

3    p1    q3:a31:a32    q3    q3

3    p1    q3:a31:a32    q3    a31

3    p1    q3:a31:a32    q3    a32

4    p2    q1:a11    q1    q1

4    p2    q1:a11    q1    a11

5    p2    q2:a21:a22    q2    q2

5    p2    q2:a21:a22    q2    a21

5    p2    q2:a21:a22    q2    a22

6    p2    q3:a31:a32    q3    q3

6    p2    q3:a31:a32    q3    a31

6    p2    q3:a31:a32    q3    a32

7    p3    q1:a11    q1    q1

7    p3    q1:a11    q1    a11

8    p3    q2:a21    q2    q2

8    p3    q2:a21    q2    a21

9    p3    q3:    q3    q3

9    p3    q3:    q3

2.6 取出结果,将多余行过滤,及问题列=拆分后的答案列

select * from temp_bigdata.test_p1_adid2 where q<>adid2 order by rid,adid;

  rid     p    adid    q     adid2

1     p1     q1:a11     q1     a11

2     p1     q2:a21     q2     a21

3     p1     q3:a31:a32     q3     a32

3     p1     q3:a31:a32     q3     a31

4     p2     q1:a11     q1     a11

5     p2     q2:a21:a22     q2     a22

5     p2     q2:a21:a22     q2     a21

6     p2     q3:a31:a32     q3     a32

6     p2     q3:a31:a32     q3     a31

7     p3     q1:a11     q1     a11

8     p3     q2:a21     q2     a21

9     p3     q3:     q3     Null

OK ，得到了想要的结果，说明成功了，可以看到最后一条记录，也能正确的被处理。

4、总结:

1、写法有点怪，一定不要写错；

2、不要忘记起别名，要不select没列可写。

一句话实现字段拆分成多行

把表中某字段根据分隔符拆分成N个字符串后，再用这N个字符串把这一行演变成N行。

用SQL来解决这个问题非常烦琐！

SQL里没有提供集合对象，不能提供根据拆分后的字符串集合把一行变成多行的操作。解决这个问题的思路就是先求出字段拆分后的最大字符串个数M，然后构造一个M行1列的临时表T2，其列名为lv，则各行lv值分别为1,2,……,M，然后用原表与之叉乘，叉乘时取字段拆分后的第T2.lv个字符串。这样写出来的SQL是多个子查询嵌套而成，其语法是比较复杂的。而且各种数据库中拆分字符串的函数并不统一，所以SQL的写法也各不相同。

举个例子：现有学生选修课数据表COURSES数据如下，要求查出每个学生选修了几门课：

COURSE	STUDENTS
Chinese	Tom,Kate,John,Jimmy
Russia	Tom,Cart,Jimmy
Spanish	Kate,Joan,Cart
Portuguese	John,Tom
History	Tom,Cart,Kate
Music	Kate,Joan,Tom

要求输出结果如下：

STUDENT	NUM
Tom	5
Kate	4
Cart	3
Jimmy	2
Joan	2
John	2

 

以Oracle为例，用SQL写出来是这样：

SELECT STUDENT, COUNT(*) NUM FROM

       (SELECT T1.COURSE, REGEXP_SUBSTR(T1.STUDENTS, ‘[^,]+‘, 1, T2.LV ) STUDENT

       FROM COURSES T1,

              ( SELECT LEVEL LV

                 FROM (SELECT MAX(REGEXP_COUNT(A.STUDENTS, ‘[^,]+‘, 1)) R_COUNT

                         FROM COURSES A

              ) B

               CONNECT BY LEVEL <= B.R_COUNT) T2

        WHERE REGEXP_SUBSTR(T1.STUDENTS, ‘[^,]+‘, 1, T2.LV) IS NOT NULL

       ) C

GROUP BY STUDENT

ORDER BY NUM DESC;

 

这里的C就是前文提到的那个临时表，可见这个SQL层次很多，可读性比较差，不易读懂。

 

如果用集算器的SPL语言来解决这个问题，就会简单很多，只需1行代码：

connect("mydb").query("SELECT * FROM COURSES").news(STUDENTS.split@c();~:STUDENT).groups(STUDENT;count(1):NUM).sort(-NUM)

SPL语言有集合对象，并提供了根据集合把一行扩展成多行的功能，所以写起来思路清晰明了，简便易懂，并且语法统一，不论数据来自哪种数据库还是来自文件型数据源，写法都是一样的。

 

SPL 集合还提供了交、差、并运算，聚合运算，循环遍历运算，请阅《SPL教案 集合》

SPL也能很方便地嵌入到JAVA应用，可参考《Java 如何调用 SPL 脚本》。

具体使用方法可参考 《如何使用集算器》。