7

Hive 有一个非常好的 Array 类型,理论上非常有用,但在实践中,我发现关于如何使用它进行任何类型的操作的信息非常少。我们将一系列数字存储在数组类型的列中,并且需要在查询中对它们求和,最好是从第 n 个元素到第 m 个元素。是否可以使用标准 HiveQL 或是否需要 UDF 或客户映射器/缩减器?

注意:我们在 EMR 环境中使用 Hive 0.8.1。

4

2 回答 2

10

UDF为此,我会写一个简单的。你需要hive-exec在你的构建路径中。
例如Maven

<dependency>
  <groupId>org.apache.hive</groupId>
  <artifactId>hive-exec</artifactId>
  <version>0.8.1</version>
</dependency>

一个简单的原始实现如下所示:

package com.myexample;

import java.util.ArrayList;
import java.util.List;

import org.apache.hadoop.hive.ql.exec.UDF;
import org.apache.hadoop.io.IntWritable;

public class SubArraySum extends UDF {

    public IntWritable evaluate(ArrayList<Integer> list, 
      IntWritable from, IntWritable to) {
        IntWritable result = new IntWritable(-1);
        if (list == null || list.size() < 1) {
            return result;
        }

        int m = from.get();
        int n = to.get();

        //m: inclusive, n:exclusive
        List<Integer> subList = list.subList(m, n);

        int sum = 0;
        for (Integer i : subList) {
            sum += i;
        }
        result.set(sum);
        return result;
    }
}

接下来,构建一个 jar 并将其加载到 Hive shell 中:

hive> add jar /home/user/jar/myjar.jar;
hive> create temporary function subarraysum as 'com.myexample.SubArraySum';

现在您可以使用它来计算您拥有的数组的总和。

例如:

假设您有一个输入文件,其中包含制表符分隔的列:

1   0,1,2,3,4
2   5,6,7,8,9

将其加载到 mytable 中:

hive> create external table mytable (
  id int,
  nums array<int>
)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
COLLECTION ITEMS TERMINATED BY ','
STORED AS TEXTFILE
LOCATION '/user/hadoopuser/hive/input';

然后执行一些查询:

hive> select * from mytable;
1   [0,1,2,3,4]
2   [5,6,7,8,9]

在 m,n 范围内求和,其中m=1,n=3

hive> select subarraysum(nums, 1,3) from mytable;
3
13

或者

hive> select sum(subarraysum(nums, 1,3)) from mytable;
16
于 2012-09-17T13:30:12.907 回答
2

上面的答案解释得很好。我发布了一个非常简单的 UDF 实现。

package com.ak.hive.udf.test;

import java.util.ArrayList;

import org.apache.hadoop.hive.ql.exec.UDF;

    public final class ArraySumUDF extends UDF {
        public int evaluate(ArrayList<Integer>arrayOfIntegers,int startIndex,int endIndex) {
            // add code to handle all index problem
                    int sum=0;
            int count=startIndex-1;
            for(;count<endIndex;count++){
                sum+=arrayOfIntegers.get(count);
            }
            return sum;
        }
    }

还发布表创建和其他查询。

create table table1 (col1 int,col2 array<int>)ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' COLLECTION ITEMS TERMINATED BY '~' STORED AS TEXTFILE;

load data local inpath '/home/ak/Desktop/hivedata' into table table1;

我的输入文件看起来像

1,3~5~8~5~7~9
2,93~5~8~5~7~29
3,3~95~8~5~27~9
4,3~5~58~15~7 ~9
5,3~25~8~55~7~49
6,3~25~8~15~7~19
7,3~55~78~5~7~9

我创建了我的 UDF 的 jar,我使用以下命令将 jar 添加到 hive

add jar file:///home/ak/Desktop/array.jar;

然后我创建临时函数,如图所示

create temporary function getSum as 'com.ak.hive.udf.test.ArraySumUDF';

执行如下示例查询,

select col1,getSum(col2,1,3) from table1;

这应该解决非常基本的需求。如果这不是问题陈述,请回复,以便我再次为您提供帮助。

于 2012-09-18T06:41:49.700 回答