Hive 提供了 Transform 这一关键字，使用 python 脚本处理hive 的数据，实现 Map/Reduce 的效果，在一些场景下，相比直接编写 Hadoop MR 要方便不少。
简介
首先简要介绍一下 hive sql 语句的编写逻辑以及 python 脚本的编写方法。
hive 部分编写
hive transform sql 的一个很常用的模式是：
- hive sql 通过查询语句获取输入源数据
- 调用 python 脚本 MAP、REDUCE 处理数据
- hive sql 将 python 的处理结果入库或其他操作后续操作
执行 hive 前要先加载 python 脚本，脚本可以上传到 hdfs 上，通过语句 ADD FILE hdfs://xxxx 加载。
比如从 表A 中 读取数据，通过 python MAP/REDUCE脚本处理后将处理结果写入表 B，对应的 hive 语句约为：
ADD FILE hdfs://xxxx;
FROM (
FROM (
SELECT *
FROM TABLE-A
) T
MAP T.a, T.b, T.c
USING 'python ./map.py'
AS d, e, f
CLUSTER BY d
) map_out
INSERT OVERWRITE TABLE-B
REDUCE map_out.d, map_out.e, map_out.f
USING 'python ./reduce.py'
AS (g ,h ,i)
python 部分编写
python 脚本的处理逻辑大概可以分为三部分：
- 从 hive 获取输入数据
- map、reduce 操作
- 输出数据给 hive
其中输入、输出部分是利用系统标准输入输出流实现的，python 从 sys.stdin 中获取 hive 传入的数据，将处理结果通过 sys.stdout 传给 hive。
python 标准输入获取的每一行对应 hive sql 的一条数据，每一行通过 \t 区分 hive 表的各个字段值。同样的，输出给 hive 的每一行中不同的字段值也要通过 '\t' 连接，否则 hive 会解析错误。
以 map 处理为例，python 脚本通过用的模式如下：
#!/usr/bin/env python
# coding: utf8
import sys
def map_field(a,b):
return a+1, b+1
for line in sys.stdin:
a, b = line.split('\t')
c, d = map_field(a,b)
print c + '\t' + d
Example
下面介绍一个使用 hive-transform 统计用户 Get/Post 请求数的例子。在这个例子中将从一张记录所有用户请求记录的表 member_source_request 中读取源数据，并过滤掉 OPTION 等请求，只统计 GET,POST,PUT,DELET 四种请求。并将记录结果写入到一张 member_method_count 表中。
member_source_request 表 schema：
| Name | Type | |
|---|---|---|
| 1 | member_id | int |
| 2 | method | string |
| 3 | url | string |
| 4 | ip | string |
| 5 | ... | ... |
创建 member_method_count 表：
CREATE TABLE tmp.member_method_count(
member_id INT,
get_request BIGINT,
put_request BIGINT,
post_request BIGINT,
delete_request BIGINT
)
partitioned by (`date` INT)
Hive SQL
ADD FILE hdfs:///member-method.py;
FROM (
FROM (
SELECT *
FROM tmp.member_source_request
WHERE member_id is not null
) T
MAP T.member_id, T.method, T.url
USING 'python ./member-method.py --mapper'
AS member_id, method, url
CLUSTER BY member_id
) map_out
INSERT OVERWRITE TABLE tmp.member_method_count PARTITION (date=20180220)
REDUCE map_out.member_id, map_out.method, map_out.url
USING 'python ./member-method.py --reducer'
AS member_id, get_request, put_request, post_request, delete_request
python 脚本
MemberRequestJob 为具体实现 map、reduce 逻辑，其父类可服用
#!/usr/bin/env python
# coding: utf8
import sys
from collections import defaultdict
class MRJob(object):
def __init__(self, sep='\t'):
self.sep = sep
def map(self, line):
raise NotImplementedError()
def reduce(self, key, value):
raise NotImplementedError()
def map_end(self):
pass
def reduce_end(self):
pass
def run_mapper(self):
for line in sys.stdin:
line = line.strip('\n').strip('\t')
self.map(line)
if hasattr(self, 'map_end'):
self.map_end()
def run_reducer(self):
for line in sys.stdin:
line = line.strip('\n').strip('\t')
key, value = line.split(self.sep, 1)
self.reduce(key, value)
if hasattr(self, 'reduce_end'):
self.reduce_end()
def output(self, key=None, value=None):
print str(key) + self.sep + str(value)
def run(self):
if len(sys.argv) <= 1:
raise Exception('--mapper or --reducer must be set')
self.args = tuple(sys.argv[2:])
if sys.argv[1] == '--mapper':
self.run_mapper()
elif sys.argv[1] == '--reducer':
self.run_reducer()
class FieldMRJob(MRJob):
def __init__(self, field_sep='\t', sep='\t'):
MRJob.__init__(self, sep)
self.field_sep = field_sep
def map_fields(fields):
raise NotImplementedError()
def reduce_fields(key, fields):
raise NotImplementedError()
def map(self, line):
fields = line.split(self.field_sep)
self.map_fields(fields)
def reduce(self, key, value):
values = value.split(self.field_sep)
self.reduce_fields(key, values)
def output(self, key=None, values=()):
value = self.field_sep.join(map(str, values))
MRJob.output(self, key, value)
class MemberRequestJob(FieldMRJob):
def __init__(self):
FieldMRJob.__init__(self)
self.all_member = set()
self.all_get_counts = defaultdict(int)
self.all_post_counts = defaultdict(int)
self.all_put_counts = defaultdict(int)
self.all_delete_counts = defaultdict(int)
def map_fields(self, fields):
member_id, method, url = fields
if method in ['GET', 'PUT', 'POST', 'DELETE']:
self.output(member_id, (method, url))
def reduce_fields(self, member_id, fields):
method, url = fields
self.all_member.add(member_id)
if method == 'GET':
self.all_get_counts[member_id] += 1
elif method == 'POST':
self.all_post_counts[member_id] += 1
elif method == 'PUT':
self.all_put_counts[member_id] += 1
else:
self.all_delete_counts[member_id] += 1
def reduce_end(self):
for member_id in list(self.all_member):
self.output(member_id, (self.all_get_counts.get(member_id, 0),
self.all_put_counts.get(member_id, 0),
self.all_post_counts.get(member_id, 0),
self.all_delete_counts.get(member_id, 0)
)
)
if __name__ == '__main__':
MemberRequestJob().run()
