使用Python实现HIVE的UDF函数

在处理一些复杂逻辑时候，python这种面向过程的语言相比于SQL更符合人的思维方式。相信有不少同学曾经感慨，如果能用python处理数据库中的数据就好了。那么今天它来了。

首先用python写处理复杂逻辑的自定义的函数(一阳指)，再将函数代码嵌入SQL(狮吼功)就能合并成了一整招：UDF

下面我用一个栗子来说明一些两者处理数据过程中的差异，在介绍栗子之前，先介绍一些with as。与python 创建函数或者类一样，with as 用于创建中间表

简单来做个介绍

select
*
from(select * from table where dt='2021-03-30')a

可以写成

with a as (select * from table where dt='2021-03-30' )
select * from a

简单的SQL看不出这样的优势(甚至有点多此一举)，但是当逻辑复杂了之后我们就能看出这种语法的优势，他能从底层抽取中间表格，让我们只专注于当前使用的表格，进而可以将复杂的处理逻辑分解成简单的步骤。

如下面地表格记录了用户适用app过程中每个行为日志地时间戳，我们想统计一下用户今天用了几次app，以及每次的起始时间和结束时间是什么时候，这个问题怎么解呢?

使用Python实现HIVE的UDF函数

SQL实现方式

首先用with as 构建一个中间表(注意看on 和 where条件)

with t1 as
(select
x.uid,
case when x.rank=1 then y.timestamp_ms
else x.timestamp_ms
end as start_time,
case when x.rank=1 then x.timestamp_ms
else y.timestamp_ms end as end_time
from
(select
uid,
timestamp_ms,
row_number()over(partition by uid order by timestamp_ms) rank
from tmp.tmpx) x
left outer join
(select
uid,
timestamp_ms,
row_number()over(partition by uid order by timestamp_ms) rank
from tmp.tmpx) y
on x.uid=y.uid and x.rank=y.rank-1
where x.rank=1 or y.rank is null or y.timestamp_ms-x.timestamp_ms>=300)

首先我们用开窗函数错位相减，用where条件筛选出我们需要的列，其中

x.rank=1 抽取出第一行

y.rank is null 抽取最后一样

y.timestamp_ms-x.timestamp_ms>=300抽取满足条件的行，如下：

使用Python实现HIVE的UDF函数

当然这个结果并不是我们要的结果，需要将上述表格中某一行数据的end-time和下一条数据的start-time结合起来起来，构造出时间段

使用Python实现HIVE的UDF函数

好的，按照上面我们所说的那么下面我们不用关心底层的逻辑，将注意力专注于这张中间表t1

select
a.uid,end_time as start_time,start_time as end_time
from
(select uid,start_time,row_number()over(partition by uid order by start_time) as rank from t1) a
join
(select uid,end_time,row_number()over(partition by uid order by end_time) as rank from t1)b
on
a.uid=b.uid and a.rank=b.rank+1

同样，排序后错位相减，然后就可以打完收工了~

UDF实现方式

首先我们假设上述数据存储在csv中，

用python 处理本地文件data.csv，按照python的处理方式写代码(这里就不一句句解释了，会python的同学可以跳过，不会的同学不妨自己动手写一下)

def life_cut(files):
f=open(files)
act_list=[]
act_dict={}
for line in f:
line_list=line.strip().split()
key=tuple(line_list[0:1])
if key not in act_dict:
act_dict.setdefault(key,[])
act_dict[key].append(line_list[1])
else:
act_dict[key].append(line_list[1])
for k,v in act_dict.items():
k_str=k[0]+"\t"
start_time = v[0]
last_time=v[0]
i=1
while i<len(v)-1:
if int(v[i])-int(last_time)>=300:
print(k_str+"\t"+start_time+"\t"+v[i-1])
start_time=v[i]
last_time = v[i]
i=i+1
else:
last_time = v[i]
i=i+1
print(k_str+"\t"+start_time+"\t"+v[len(v)-1])
# print(k_str + "\t" + start_time + "\t" + v[i])
if __name__=="__main__":
life_cut("data.csv")

得到结果如下：

那么下面我们将上述函数写成udf的形式：

#!/usr/bin/env python
# -*- encoding:utf-8 -*-
import sys
act_list=[]
act_dict={}
for line in sys.stdin:
line_list=line.strip().split("\t")
key=tuple(line_list[0:1])
if key not in act_dict:
act_dict.setdefault(key,[])
act_dict[key].append(line_list[1])
else:
act_dict[key].append(line_list[1])
for k,v in act_dict.items():
k_str=k[0]+"\t"
start_time = v[0]
last_time=v[0]
i=1
while i<len(v)-1:
if int(v[i])-int(last_time)>=300:
print(k_str+"\t"+start_time+"\t"+v[i-1])
start_time=v[i]
last_time = v[i]
i=i+1
else:
last_time = v[i]
i=i+1
print(k_str+"\t"+start_time+"\t"+v[len(v)-1])

这个变化过程的关键点是将 for line in f 替换成 for line in sys.stdin，其他基本上没什么变化

然后我们再来引用这个函数

先add这个函数的路径add file /xxx/life_cut.py 加载udf路径，然后再使用

select
TRANSFORM (uid,timestamp_ms) USING "python life_cut.py" as (uid,start_time,end_time)
from tmp.tmpx

总结

从上述案例我们可以看出，

UDF和SQL的区别在于，在处理复杂逻辑时候，UDF相比SQL能更高效地组织起来逻辑并落地实现功能。UDF和普通脚本的关键区别所在在于将 for line in f 替换成 for line in sys.stdin，常规函数一般是将文件一行行读入，UDF是从标准输入一行行加载数据。希望大家平时没事的时候好好练练python，切莫书到用时方恨少。

原文地址：https://mp.weixin.qq.com/s/fZPOiG2UR6W_Dxar0qbeNQ

秒客网

使用Python实现HIVE的UDF函数

SQL实现方式

UDF实现方式

总结

相关文章