在Hive中会有很多数据是用Json格式来存储的，如开发人员对APP上的页面进行埋点时，会将多个字段存放在一个json数组中，因此数据平台调用数据时，要对埋点数据进行解析。接下来就聊聊Hive中是如何解析json数据的。
本文首发于公众号【五分钟学大数据】
Hive自带的json解析函数
1. get_json_object
-
语法：get_json_object(json_string, '$.key')
-
说明：解析json的字符串json_string,返回path指定的内容。如果输入的json字符串无效，那么返回NULL。这个函数每次只能返回一个数据项。
-
示例：
select
get_json_object('{"name":"zhangsan","age":18}','$.name');
如果既要解析name字段，也解析age字段，则可以这样写：
select
get_json_object('{"name":"zhangsan","age":18}','$.name'),
get_json_object('{"name":"zhangsan","age":18}','$.age');
但是如果要解析的字段有很多，再这样写就太麻烦了，所以就有了 json_tuple 这个函数。
2. json_tuple
-
语法： json_tuple(json_string, k1, k2 ...)
-
说明：解析json的字符串json_string,可指定多个json数据中的key，返回对应的value。如果输入的json字符串无效，那么返回NULL。
-
示例：
select
b.name
,b.age
from tableName a lateral view
json_tuple('{"name":"zhangsan","age":18}','name','age') b as name,age;
注意：上面的json_tuple函数中没有$.
如果在使用json_tuple函数时加上$.就会解析失败：
select
b.name
,b.age
from tableName a lateral view
json_tuple('{"name":"zhangsan","age":18}','$.name','$.age') b as name,age;
结果:
字段全是NULL，所以json_tuple函数不需要加$.了，否则会解析不到。
总结：json_tuple相当于get_json_object的优势就是一次可以解析多个json字段。但是如果我们有个json数组，这两个函数都无法处理。
Hive解析json数组
一、嵌套子查询解析json数组
如果有一个hive表，表中 json_str 字段的内容如下：
| json_str |
| [{"website":"baidu.com","name":"百度"},{"website":"google.com","name":"谷歌"}] |
我们想把这个字段解析出来，形成如下的结构：
| website |
name |
| baidu.com |
百度 |
| google.com |
谷歌 |
要解析这个json数组，仅用上面介绍的两个函数就解析不出来了，还需用到如下介绍的几个函数：
explode函数
-- 解析array
hive> select explode(array('A','B','C'));
OK
A
B
C
-- 解析map
hive> select explode(map('A',10,'B',20,'C',30));
OK
A 10
B 20
C 30
regexp_replace函数
-
语法: regexp_replace(string A, string B, string C)
-
说明：将字符串A中的符合java正则表达式B的部分替换为C。注意，在有些情况下要使用转义字符，类似oracle中的regexp_replace函数。
-
示例：
hive> select regexp_replace('foobar', 'oo|ar', '');
OK
fb
上述示例将字符串中的 oo 或 ar 替换为''。
有了上述几个函数，接下来我们来解析json_str字段的内容：
-
- 先将json数组中的元素解析出来，转化为每行显示：
hive> SELECT explode(split(regexp_replace(regexp_replace('[{"website":"baidu.com","name":"百度"},{"website":"google.com","name":"谷歌"}]', '\\[|\\]',''),'\\}\\,\\{','\\}\\;\\{'),'\\;'));
OK
{"website":"baidu.com","name":"百度"}
{"website":"google.com","name":"谷歌"}
对上述sql进行简要说明：
SELECT explode(split(
regexp_replace(
regexp_replace(
'[
{"website":"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(split函数以分号作为分隔)
);
为什么要将json数组元素之间的逗号换成分号？
因为元素内的分隔也是逗号，如果不将元素之间的逗号换掉的话，后面用split函数分隔时也会把元素内的数据给分隔，这不是我们想要的结果。
-
- 上步已经把一个json数组转化为多个json字符串了，接下来结合son_tuple函数来解析json里面的字段：
select
json_tuple(explode(split(
regexp_replace(regexp_replace('[{"website":"baidu.com","name":"百度"},{"website":"google.com","name":"谷歌"}]', '\\[|\\]',''),'\\}\\,\\{','\\}\\;\\{'),'\\;'))
, 'website', 'name') ;
执行上述语句，结果报错了：
FAILED: SemanticException [Error 10081]: UDTF's are not supported outside the SELECT clause, nor nested in expressions
意思是UDTF函数不能写在别的函数内，也就是这里的explode函数不能写在json_tuple里面。
既然explode函数不能写在别的json_tuple里面，那我们可以用子查询方式，如下所示：
select json_tuple(json, 'website', 'name')
from (
select explode(split(regexp_replace(regexp_replace('[{"website":"baidu.com","name":"百度"},{"website":"google.com","name":"谷歌"}]', '\\[|\\]',''),'\\}\\,\\{','\\}\\;\\{'),'\\;'))
as json) t;
执行上述语句，没有报错，执行结果如下：
www.baidu.com 百度
google.com 谷歌
二 使用 lateral view 解析json数组
hive表中 goods_id 和 json_str 字段的内容如下：
| goods_id |
json_str |
| 1,2,3 |
[{"source":"7fresh","monthSales":4900,"userCount":1900,"score":"9.9"},{"source":"jd","monthSales":2090,"userCount":78981,"score":"9.8"},{"source":"jdmart","monthSales":6987,"userCount":1600,"score":"9.0"}] |
目的：把 goods_id 字段和 json_str 字段中的monthSales解析出来。
下面我们就开始解析：
- 拆分goods_id字段及将json数组转化成多个json字符串：
select
explode(split(goods_id,',')) as good_id,
explode(split(regexp_replace(regexp_replace(json_str , '\\[|\\]',''),'\\}\\,\\{','\\}\\;\\{'),'\\;'))
as sale_info
from tableName;
执行上述语句，结果报错：
FAILED: SemanticException 3:0 Only a single expression in the SELECT clause is supported with UDTF's. Error encountered near token 'sale_info'
意思是用UDTF的时候，SELECT 只支持一个字段。而上述语句select中有两个字段，所以报错了。
那怎么办呢，要解决这个问题，还得再介绍一个hive语法：
lateral view
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。
假设我们有一张用户兴趣爱好表 hobbies_table，它有两列数据，第一列是name，第二列是用户兴趣爱好的id_list，是一个数组，存储兴趣爱好的id值：
| name |
id_list |
| zhangsan |
[1,2,3] |
| lisi |
[3,4,5] |
我们要统计所有兴趣id在所有用户中出现的次数：
- 对兴趣id进行解析：
SELECT name, hobby_id
FROM hobbies_table
LATERAL VIEW explode(id_list) tmp_table AS hobby_id;
上述sql执行结果：
| name |
hobby_id |
| zhangsan |
1 |
| zhangsan |
2 |
| zhangsan |
3 |
| lisi |
3 |
| lisi |
4 |
| lisi |
5 |
将id_list拆分完之后统计在用户中出现的次数就简单了，按照hobby_id进行分组聚合即可：
SELECT hobby_id ,count(name) client_num
FROM hobbies_table
LATERAL VIEW explode(id_list) tmp_table AS hobby_id
group by hobby_id;
结果：
| hobby_id |
client_num |
| 1 |
1 |
| 2 |
1 |
| 3 |
2 |
| 4 |
1 |
| 5 |
1 |
介绍完 lateral view 之后，我们再来解决上面遇到的用UDTF的时候，SELECT 只支持一个字段的问题：
select good_id,get_json_object(sale_json,'$.monthSales') as monthSales
from tableName
LATERAL VIEW explode(split(goods_id,','))goods as good_id
LATERAL VIEW explode(split(regexp_replace(regexp_replace(json_str , '\\[|\\]',''),'\\}\\,\\{','\\}\\;\\{'),'\\;')) sales as sale_json;
注意：上述语句是三个表笛卡尔积的结果，所以此方式适用于数据量不是很大的情况。
上述语句执行结果如下：
| goods_id |
monthSales |
| 1 |
4900 |
| 1 |
2090 |
| 1 |
6987 |
| 2 |
4900 |
| 2 |
2090 |
| 2 |
6987 |
| 3 |
4900 |
| 3 |
2090 |
| 3 |
6987 |
如果表中还有其他字段，我们可以根据其他字段筛选出符合结果的数据。
总结：lateral view通常和UDTF一起出现，为了解决UDTF不允许在select存在多个字段的问题。
公众号【五分钟学大数据】，大数据领域原创技术号，专注于大数据技术研究
