hive 根据某列新增一列随机数 hive随机选择20条数据

admin2024-06-04  15

引言曾经认为Hive自带的函数应该可以cover住我的日常所需,心想那些需要使用自定义函数的场景是不是太奇葩,谁知命运弄人,自己还是碰上了。
需求很简单,我需要模拟Oracle中的SYS_GUID()函数,生成一个32位的字母数字随机串。

开发环境:Eclipse+Maven,引入Hive0.13.1的依赖。

 



package cn.fulong.bigdata.tools;
import java.util.Random;
import org.apache.hadoop.hive.ql.exec.UDF;
import org.apache.hadoop.hive.ql.udf.UDFType;
import org.apache.hadoop.io.Text;
@UDFType(deterministic = false)
public class HiveUDFOracleSysguid extends UDF {
    private Random random = new Random();
    private Text result = new Text();
    public Text evaluate(int length) {
        result.set(getCharAndNumr(length));
        return result;
    }
    private String getCharAndNumr(int length) {
        StringBuffer val = new StringBuffer();
        for (int i = 0; i < length; i++) {
            String charOrNum = random.nextInt(2) % 2 == 0 ? "char" : "num"; // 输出字母还是数字
            if ("char".equalsIgnoreCase(charOrNum)) // 字符串
            {
                int choice = 65; // 大写字母65,小写字母96
                val.append((char) (choice + random.nextInt(26)));
            } else if ("num".equalsIgnoreCase(charOrNum)) // 数字
            {
                val.append(String.valueOf(random.nextInt(10)));
            }
        }
        return val.toString();
    }
}  
复制代码



部署


步骤一:
打包该类,上传到集群中,进入hive cli;

步骤二:
将jar包添加到hive的classpath中:
hive> add jar /home/hive-tools-sysguid-for-oracle.jar;


步骤三:
基于自定义UDF类创建自定义函数:
hive> create temporary function fbi_guid as 'cn.bigdata.tools.HiveUDFOracleSysguid';

其中,fbi_guid 是自己命名的函数名称,将用于hive sql中,cn.bigdata.tools.HiveUDFOracleSysguid是类名。

执行

和内置函数使用方法一样:
select fbi_guid(32) from sp_t_re_valid_service limit 20;

填坑记录

官网给出的示例代码是:


1. package com.example.hive.udf;
2. 
3. import org.apache.hadoop.hive.ql.exec.UDF;
4. import org.apache.hadoop.io.Text;
5. 
6. public final class Lower extends UDF {

7.   public Text evaluate(final Text s) {

8.     if (s == null) { return null; }
9.     return new Text(s.toString().toLowerCase());
10.   }
11. }




但,如果仅仅按照以上模板改写,最终运行时会遇到一个很恶心的问题:
生成随机串的逻辑只被执行了一遍,所有行的该字段字符串都是一样的,并不会像预想的那样,即每行一个随机串。

该问题请教了无数知名公司的大虾都没给出解决方案,查阅无数篇“UDF开发详解”类博客也没找到解药,情急之下灵机一动,想到了HIVE内置的rand()函数,功能其实和我这个类似,但是rand()就能很好的每行输出一个随机数,所以决定从rand()的源码找答案。
rand()函数的实现类是 org.apache.hadoop.hive.ql.udf.,各位可自行查阅。

我先将核心逻辑拷贝到自己的UDF中测试了一下,发现问题还是存在,核心逻辑只被执行了一遍,每行的对应字段都是相同的数字。
出现该现象是好事,因为问题的关键肯定在源码核心逻辑以外的某个角落!

通过观察核心逻辑以外可能对该结果造成影响的代码,发现了@UDFType(deterministic = false),该注解指定了当前UDF的类型是否是确定性,默认为true,然而,rand()的源码中将该属性设置为了false!

经测试,@UDFType(deterministic = false)果然是结症所在,加上这句注解后,我的UDF可以正常执行了,每行输出不同的32位随机字母数字串,over。


本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明原文出处。如若内容造成侵权/违法违规/事实不符,请联系SD编程学习网:675289112@qq.com进行投诉反馈,一经查实,立即删除!