【Hive_03】单行函数、聚合函数、窗口函数、自定义函数、炸裂函数

1、函数简介

Hive会将常用的逻辑封装成函数给用户进行使用，类似于Java中的函数。

好处：避免用户反复写逻辑，可以直接拿来使用。

重点：用户需要知道函数叫什么，能做什么。

Hive提供了大量的内置函数，按照其特点可大致分为如下几类：单行函数、聚合函数、炸裂函数、窗口函数。

以下命令可用于查询所有内置函数的相关信息。

1）查看系统内置函数

hive> show functions;

查看和string有关的函数：

show functions like 'string%';

2）查看内置函数用法

hive> desc function upper; --查看upper函数的用法

3）查看内置函数详细信息

hive> desc function extended substring;

2、单行函数

单行函数的特点是一进一出，即输入一行，输出一行。进：传的参数，出：返回值。

单行函数按照功能可分为如下几类: 日期函数、字符串函数、集合函数、数学函数、流程控制函数等。

2.1 算术运算函数

运算符	描述
A+B	A和B相加
A-B	A减去B
A*B	A和B 相乘
A/B	A除以B
A%B	A对B取余
A&B	A和B按位取与
A|B	A和B按位取或
A^B	A和B按位取异或
~A	A按位取反

--算术运算函数
select 1&0; --结果为0
select 3&2; --结果为2。先把3和2转换为2进制，再把处理结果转换为十进制。

查询出所有员工的薪水后加1显示:

hive (default)> select sal + 1 from emp;

2.2 数值函数

1）round：四舍五入

hive> select round(3.3);   3

2）ceil：向上取整

hive> select ceil(3.1) ;   4

3）floor：向下取整

hive> select floor(4.8);  4

2.3 字符串函数

（1）substring 截取字符串

• 语法一：substring(string A, int start)
  返回值：string
  说明：返回字符串A从start位置到结尾的字符串
• 语法二：substring(string A, int start, int len)
  返回值：string
  说明：返回字符串A从start位置开始，长度为len的字符串

案例实操：

（1）获取第二个字符以后的所有字符

hive> select substring("wenxin",2);

输出：

enxin

（2）获取倒数第三个字符以后的所有字符

hive> select substring("wenxin",-3);

输出：

xin

（3）从第3个字符开始，向后获取2个字符

hive> select substring("wenxin",3,2);

输出：

nx

（2）replace 替换

语法：replace(string A, string B, string C)

返回值：string

说明：将字符串A中的子字符串B替换为C。

hive> select replace('wenxinwenxin', 'w', 'W')

输出：

hive> WenxinWenxin

（3）regexp_replace 正则替换

语法：regexp_replace(string A, string B, string C)

返回值：string

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。

案例实操：

hive> select regexp_replace('100-200', '(\\d+)', 'num') 

上面这个涉及反斜杠转义字符的问题，所有有两个反斜杠

输出：

hive> num-num

正则表达式可视化网址

（4）regexp 正则匹配

语法：字符串 regexp 正则表达式

返回值：boolean

说明：若字符串符合正则表达式，则返回true，否则返回false。

（1）正则匹配成功，输出true

hive> select 'dfsaaaa' regexp 'dfsa+'

输出：

hive> true

（2）正则匹配失败，输出false

hive> select 'dfsaaaa' regexp 'dfsb+';

输出：

hive> false

（5）repeat 重复字符串

语法：repeat(string A, int n)

返回值：string

说明：将字符串A重复n遍。

hive> select repeat('123', 3);

输出：

hive> 123123123

（6）split 字符串切割

语法：split(string str, string pat)

返回值：array

说明：按照正则表达式pat匹配到的内容分割str，分割后的字符串，以数组的形式返回。

hive> select split('a-b-c-d','-');

输出：

hive> ["a","b","c","d"]

（7）nvl 替换null值

语法：nvl(A,B)

说明：若A的值不为null，则返回A，否则返回B。 可以把其理解为给默认值的操作。

hive> select nvl(null,0); 

输出：

hive> 0

（8）concat 拼接字符串

语法：concat(string A, string B, string C, ……)

返回：string

说明：将A,B,C……等字符拼接为一个字符串

hive> select concat('beijing','-','shanghai','-','shenzhen');

输出：

hive> beijing-shanghai-shenzhen

（9）concat_ws 以指定分隔符拼接字符串或者字符串数组

语法：concat_ws(string A, string…| array(string))
返回值：string
说明：使用分隔符A拼接多个字符串，或者一个数组的所有元素。

hive>select concat_ws('-','beijing','shanghai','shenzhen');

输出：

hive> beijing-shanghai-shenzhen

（10）get_json_object 解析json字符串

语法：get_json_object(string json_string, string path)
返回值：string

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。

案例实操：

（1）获取json数组里面的json具体数据

hive> select get_json_object('[{"name":"大海海","sex":"男","age":"25"},{"name":"小宋宋","sex":"男","age":"47"}]','$.[0].name');

输出：

hive> 大海海

（2）获取json数组里面的数据

hive> select get_json_object('[{"name":"大海海","sex":"男","age":"25"},{"name":"小宋宋","sex":"男","age":"47"}]','$.[0]');

输出：

hive> {"name":"大海海","sex":"男","age":"25"}

2.4 日期函数

（1）unix_timestamp 返回当前或指定时间的时间戳

语法：unix_timestamp()
返回值：bigint
案例实操：

hive> select unix_timestamp('2022/08/08 08-08-08','yyyy/MM/dd HH-mm-ss');  

输出：

1659946088

说明：-前面是日期后面是指，日期传进来的具体格式

时间戳有10位的和13位的：

• 10位的时间戳单位是秒
• 13位的单位是毫秒

无论是把时间戳转换为时间字符串，还是将时间字符串转换为时间戳，都需要考虑时区的问题。

（2）from_unixtime

用法：转化UNIX时间戳（从 1970-01-01 00:00:00 UTC 到指定时间的秒数）到当前时区的时间格式

语法：from_unixtime(bigint unixtime[, string format])

返回值：string

案例实操：

hive> select from_unixtime(1659946088);   

输出：

2022-08-08 08:08:08

（3）current_date 当前日期

hive> select current_date;     

输出：

2022-07-11

（4）current_timestamp 当前的日期加时间，并且精确的毫秒

hive> select current_timestamp;

输出：

2022-07-11 15:32:22.402

（5）month：获取日期中的月

语法：month (string date)
返回值：int
案例实操：

hive> select month('2022-08-08 08:08:08');

输出：

8

（6）day 获取日期中的日

语法：day (string date)
返回值：int
案例实操：

hive> select day('2022-08-08 08:08:08')    

输出：

8

（7）hour 获取日期中的小时

语法：hour (string date)
返回值：int
案例实操：

hive> select hour('2022-08-08 08:08:08');   

输出：

8

（8）datediff 两个日期相差的天数（结束日期减去开始日期的天数）

语法：datediff(string enddate, string startdate)
返回值：int
案例实操：

hive> select datediff('2021-08-08','2022-10-09');     

输出：

-427

（9）date_add：日期加天数

语法：date_add(string startdate, int days)

返回值：string

说明：返回开始日期 startdate 增加 days 天后的日期

案例实操：

hive> select date_add('2022-08-08',2);   

输出：

2022-08-10

（10）date_sub：日期减天数

语法：date_sub (string startdate, int days)

返回值：string

说明：返回开始日期startdate减少days天后的日期。

案例实操：

hive> select date_sub('2022-08-08',2);    

输出：

2022-08-06

（11）date_format:将标准日期解析成指定格式字符串

hive> select date_format('2022-08-08','yyyy年-MM月-dd日')   

输出：

2022年-08月-08日

2.5 流程控制函数

（1）case when：条件判断函数

语法一：case when a then b [when c then d]* [else e] end
返回值：T
说明：如果a为true，则返回b；如果c为true，则返回d；否则返回 e

hive> 
select case when 1=2 then 'tom' when 2=2 then 'mary' else 'tim' end 
from tabl eName; 
mary

语法二： case a when b then c [when d then e]* [else f] end
返回值: T
说明：如果a等于b，那么返回c；如果a等于d，那么返回e；否则返回f

hive> 
select case 100 when 50 then 'tom' when 100 then 'mary' else 'tim' end 
from t ableName; 
mary

• case在执行的时候，是逐个条件去判断的，先判断第一个when，不满足才去判断第二个when。
  
  

（2）if: 条件判断，类似于Java中三元运算符

语法：if（boolean testCondition, T valueTrue, T valueFalseOrNull）

返回值：T

说明：当条件testCondition为true时，返回valueTrue；否则返回valueFalseOrNull

（1）条件满足，输出正确

hive> select if(10 > 5,'正确','错误'); 

输出：正确

（2）条件满足，输出错误

hive> select if(10 < 5,'正确','错误');

输出：错误

2.6 集合函数

（1）size 集合中元素的个数

hive> select size(friends) from test; --2/2 每一行数据中的friends集合里的个数

（2）map 创建map集合

语法：map (key1, value1, key2, value2, …)

说明：根据输入的key和value对构建map类型

案例实操：

hive> select map('xiaohai',1,'dahai',2);  

输出：

hive> {"xiaohai":1,"dahai":2}

（3）map_keys 返回map中的key

hive> select map_keys(map('xiaohai',1,'dahai',2));

输出：

hive>["xiaohai","dahai"]

（4）map_values 返回map中的value

hive> select map_values(map('xiaohai',1,'dahai',2));

输出：

hive>[1,2]

（5）array 声明array集合

语法：array(val1, val2, …)

说明：根据输入的参数构建数组array类

案例实操：

hive> select array('1','2','3','4');

输出：

hive>["1","2","3","4"]

（6）array_contains 判断array中是否包含某个元素

hive> select array_contains(array('a','b','c','d'),'a');

输出：

hive> true

（7）sort_array 将array中的元素排序

hive> select sort_array(array('a','d','c'));

输出：

hive> ["a","c","d"]

（8）struct 声明struct中的各属性

语法：struct(val1, val2, val3, …)

说明：根据输入的参数构建结构体struct类

案例实操：

hive> select struct('name','age','weight');

输出：得到带有字段名的结构体

hive> {"col1":"name","col2":"age","col3":"weight"}

（9）named_struct 声明struct的属性和值

hive> select named_struct('name','xiaosong','age',18,'weight',80);

输出：

hive> {"name":"xiaosong","age":18,"weight":80}

3、高级聚合函数

聚合效果： 多进一出 （多行传入，一个行输出）。

1）普通聚合 count/sum

3.1 collect_list 函数

2）collect_list 收集并形成list集合，结果不去重

hive>
select sex,collect_list(job)
fromemployee
group by sex

结果：

女	["行政","研发","行政","前台"]
男	["销售","研发","销售","前台"]

3.2 collect_set 函数

3）collect_set 收集并形成set集合，结果去重

hive>
select sex,collect_set(job)
fromemployee
group by sex

结果：

女	["行政","研发","前台"]
男	["销售","研发","前台"]

4、炸裂函数

4.1 expload 函数

4.2 posexplode 函数

• posexplode相比于explode还会返回索引。

4.3 inline 函数

• inline里面接受的是一个数组，数组里面的元素是结构体

4.4 Lateral View

5、窗口函数（开窗函数）

5.1 概述

• 这里窗口范围描述的上一行到当前行指的是：计算当中实际参与的数据的上一行到当前行，而指的不是原表的上一行到当前行。
  
  
  

• 并且对于基于值的窗口函数，只有当between和and当中有包含数值的时候，必须保证order by后面的column是数值型或者字符串的。
  
  

• total_amount：相当于截止到每一个下单日期的总额。

• 由于进行了分区，因此当到达4的时候，和前面的3不在同一个分区，因此只包含其自身。
• 有分区之后的第一行到当前行指的是：该分区当中的第一行到当前行。

• 对于order by：在基于行和基于值两方面是不同的。在基于行上，如果不写order by，则是随机的，不确定，这样后面写range…between也没有意义【从负无穷到正无穷】。

5.2 常用窗口函数

按照功能，常用窗口可划分为如下几类：聚合函数、跨行取值函数、排名函数。

（1）聚合函数

max：最大值。
min：最小值。
sum：求和。
avg：平均值。
count：计数。

（2）跨行取值函数

（1）lead和lag

• 注：lag和lead函数不支持自定义窗口。
  

（2）first_value和last_value

（3）排名函数

• 注：rank 、dense_rank、row_number不支持自定义窗口。

6、自定义函数

在hive当中有多种函数：比如单行函数、聚合函数、UDTF函数、窗口函数。而这四类函数都可以进行自定义。

• 在具体使用时候，一般较少自定义，如果有也是自定义单行函数。

1）Hive自带了一些函数，比如：max/min等，但是数量有限，自己可以通过自定义UDF来方便的扩展。

2）当Hive提供的内置函数无法满足你的业务处理需要时，此时就可以考虑使用用户自定义函数（UDF：user-defined function）。

3）根据用户自定义函数类别分为以下三种：

• UDF（User-Defined-Function）： 一进一出。
• UDAF（User-Defined Aggregation Function）： 用户自定义聚合函数，多进一出。
  类似于：count/max/min
• UDTF（User-Defined Table-Generating Functions）： 用户自定义表生成函数，一进多出。
  如lateral view explode()

4）官方文档地址
https://cwiki.apache.org/confluence/display/Hive/HivePlugins

5）编程步骤

（1）继承Hive提供的类

org.apache.hadoop.hive.ql.udf.generic.GenericUDF
org.apache.hadoop.hive.ql.udf.generic.GenericUDTF;

（2）实现类中的抽象方法

（3）在hive的命令行窗口创建函数

添加jar。

add jar linux_jar_path

创建function。

create [temporary] function [dbname.]function_name AS class_name;

（4）在hive的命令行窗口删除函数

drop [temporary] function [if exists] [dbname.]function_name;

7、自定义UDF函数

需求：

自定义一个UDF实现计算给定基本数据类型的长度，例如：

hive(default)> select my_len("abcd");
4

1）创建一个Maven工程Hive

2）导入依赖

<dependencies><dependency><groupId>org.apache.hive</groupId><artifactId>hive-exec</artifactId><version>3.1.3</version></dependency>
</dependencies>

3）创建一个类

public class MyUDF extends GenericUDF {/*** 判断传进来的参数的类型和长度* 约定返回的数据类型*/@Overridepublic ObjectInspector initialize(ObjectInspector[] arguments) throws UDFArgumentException {if (arguments.length !=1) {throw  new UDFArgumentLengthException("please give me  only one arg");}if (!arguments[0].getCategory().equals(ObjectInspector.Category.PRIMITIVE)){throw  new UDFArgumentTypeException(1, "i need primitive type arg");}return PrimitiveObjectInspectorFactory.javaIntObjectInspector;}/*** 解决具体逻辑的*/@Overridepublic Object evaluate(DeferredObject[] arguments) throws HiveException {Object o = arguments[0].get();if(o==null){return 0;}return o.toString().length();}@Override// 用于获取解释的字符串public String getDisplayString(String[] children) {return "";}
}

4）创建临时函数

（1）打成jar包上传到服务器/opt/module/hive/datas/myudf.jar

（2）将jar包添加到hive的classpath，临时生效

hive (default)> add jar /opt/module/hive/datas/myudf.jar;

（3）创建临时函数与开发好的java class关联

hive (default)> 
create temporary function my_len 
as "com.wenxin.hive.udf.MyUDF";

（4）即可在hql中使用自定义的临时函数

hive (default)> 
select ename,my_len(ename) ename_len 
from emp;

（5）删除临时函数

hive (default)> drop temporary function my_len;

注意：临时函数只跟会话有关系，跟库没有关系。只要创建临时函数的会话不断，在当前会话下，任意一个库都可以使用，其他会话全都不能使用。

5）创建永久函数

（1）创建永久函数

注意：因为add jar本身也是临时生效，所以在创建永久函数的时候，需要制定路径（并且因为元数据的原因，这个路径还得是HDFS上的路径）。

hive (default)> 
create function my_len2 
as "com.atguigu.hive.udf.MyUDF" 
using jar "hdfs://hadoop102:8020/udf/myudf.jar";

（2）即可在hql中使用自定义的永久函数

hive (default)> 
select ename,my_len2(ename) ename_len 
from emp;

（3）删除永久函数

hive (default)> drop function my_len2;

注意：永久函数跟会话没有关系，创建函数的会话断了以后，其他会话也可以使用。

永久函数创建的时候，在函数名之前需要自己加上库名，如果不指定库名的话，会默认把当前库的库名给加上。

永久函数使用的时候，需要在指定的库里面操作，或者在其他库里面使用的话加上，库名.函数名。

8、其他

8.1 hive当中去重的手段？面试题

（1）distinct 去重

select distinctuser_id,create_date
from order_info

distinct后面直接跟多个字段，则会根据多个字段进行去重。
对多个字段进行去重的时候，不需要加括号！

（2）group by

select user_id,create_date
from order_info
group byuser_id,create_date

• 按照两个字段去重，则会按照两个字段进行分组，因为group by会把两个字段相同的分到一组。并且一组只会返回一条数据。

（3）利用窗口函数去重

selectuser_id,create_date,row_number() over (partition by user_id,create_date) rn
from order_info

• 将每个分区里面排名为1的取出来即可。

selectuser_id,create_date,
from
(selectuser_id,create_date,row_number() over (partition by user_id,create_date) rnfrom order_info
)t1
where rn=1;