Hive使用json_tuple, posexplode 解析 json

直接上例子，下面是我要处理的 json 数据格式

{
    "IP": "192.168.1.1",
    "appName": "sichuan_yunyingyong",
    "customEvent": [
        {
            "eventName": "xx1",
            "du": "xx",
            "timestamp": "1480521763049",
            "eventParams": {
                "ContentID": "yixiuge",
                "account": "13856976635",
                "networkType": "WIFI",
                "result": "0",
                "type": "11"
            }
        },
        {
            "eventName": "xx2",
            "du": "xx",
            "timestamp": "1480521763049",
            "eventParams": {
                "ContentID": "yixiuge",
                "account": "13856976636",
                "networkType": "WIFI",
                "result": "0",
                "type": "11"
            }
        }
    ]
}

这里面有json对象，还有json array，json对象好解析，json array不好解析，接下来两者都讲解下，需要使用 lateral view

select

j1.j1_ip,

j1.j1_appName,

j2.j2_customEvent_json

FROM tab_json s

lateral view json_tuple(s.json, 'IP', 'appName', 'customEvent') j1 as j1_ip, j1_appName, j1_customEvent

lateral view posexplode(split(regexp_replace(regexp_replace(j1.j1_customEvent,'\\}\\,\\{','\\}\\|\\|\\{'),'\\[|\\]',''), '\\|\\|')) j2 as j2_customEvents_pos, j2_customEvent_json

这个表 tab_json是包含json数据的表，json是json数据的字段，结果为

192.168.1.1     sichuan_yunyingyong     {"eventName":"xx1","du":"xx","timestamp":"1480521763049","eventParams":{"ContentID":"yixiuge","account":"13856976635","networkType":"WIFI","result":"0","type":"11"}}

192.168.1.1     sichuan_yunyingyong     {"eventName":"xx2","du":"xx","timestamp":"1480521763049","eventParams":{"ContentID":"yixiuge","account":"13856976636","networkType":"WIFI","result":"0","type":"11"}}

json数据就是直接把key当成字段，直接把key作为json_tuple方法的参数即可，这种解析json对象比较简单，如json_tuple(s.json, 'IP') 就是取json中字段IP的值，

但是，为什么原来是一条记录怎么解析成2条记录了呢，问题如下

posexplode(split(regexp_replace(regexp_replace(j1.j1_customEvent,'\\}\\,\\{','\\}\\|\\|\\{'),'\\[|\\]',''), '\\|\\|')) j2 as j2_customEvents_pos, j2_customEvent_json

我把json array的格式通过替换变成了 {json1} || {json2} ， 这种格式再根据 || 来拆开，形成了一个有两个元素的数组

注意：hive转义符需要写两个 \

接着 posexplode 在把数组变成(pos, json) 的键值对，pos记录了元素的位置，json就是实际的json数据，这样一条数据就变成了两条了，这点要注意，数据量因为这种操作，成倍的增加

解释了这点，那么我想获取IP , appName , account 字段怎么办呢，我直接给出sql语句了

select

j1.j1_ip,

j1.j1_appName,

j4.j4_account

FROM tab_json s

lateral view json_tuple(s.json, 'IP', 'appName', 'customEvent') j1 as j1_ip, j1_appName, j1_customEvent

lateral view posexplode(split(regexp_replace(regexp_replace(j1.j1_customEvent,'\\}\\,\\{','\\}\\|\\|\\{'),'\\[|\\]',''), '\\|\\|')) j2 as j2_customEvents_pos, j2_customEvent_json

lateral view json_tuple(j2.j2_customEvent_json, 'eventParams') j3 as j3_eventParams

lateral view json_tuple(j3.j3_eventParams, 'account') j4 as j4_account

结果如下：

192.168.1.1     sichuan_yunyingyong     13856976635

192.168.1.1     sichuan_yunyingyong     13856976636

上面的例子json array有两个元素，如果你只关注其中一个元素，那么可以如下操作

lateral view posexplode(array(split(regexp_replace(regexp_replace(j1.j1_customEvent,'\\}\\,\\{','\\}\\|\\|\\{'),'\\[|\\]',''), '\\|\\|')[1])) j2 as j2_customEvents_pos, j2_customEvent_json

split 跟上数组下标，就能取出某个元素，由于posexplode只接受 array类型的参数，可以使用array函数转换成对应的数组，这样就只有一条数据了，结果如下

192.168.1.1     sichuan_yunyingyong     13856976636

总结下：

在现在的hive版本中，hive 2还没有试用，不知道是不是已经引入了json array的解析函数了，目前的版本是不能通过方法解析的，

思路是，通过给json array替换字符，由原来的 [ {} , {} ] 变成 {} || {} 这样，在转换成数组用 posexplode 函数，这样就可以了

当然实际使用时数据放大也要注意，如果json array只有一个元素就不会放大

在只有一个元素的情况下，直接把 [ ] 去掉，用array 转成数组即可

以后可以自己写一个UDF来解析json array，欲知详情，请听下回分解