在 Hive 中提供了直接解析 JSON 字符串数据的方法 get_json_object(json_txt, path)
,该方法参数解析如下:
常用的 path
参数匹配符号有四个,分别是:
$
:表示获取整个 JSON 文件的根;
.
:表示获取子元素;
[]
:表示获取列表;
*
:表示获取列表中的元素。
当前有一条 Maxwell 采集的 JSON 字符串数据,如下所示:
{"database":"maxwell","table":"bootstrap","type":"insert","ts":1683629964,"xid":395746,"commit":true,"data":{"id":8,"database_name":"school","table_name":"test2","where_clause":null,"is_complete":0,"inserted_rows":0,"total_rows":0,"created_at":null,"started_at":null,"completed_at":null,"binlog_file":null,"binlog_position":0,"client_id":"maxwell","comment":null}}
下面在 Hive 中对其进行解析,为了方便解析,先将其存储到测试表中:
drop table if exists json_test;
create table json_test(json_txt string);
insert into json_test values('{"database":"maxwell","table":"bootstrap","type":"insert","ts":1683629964,"xid":395746,"commit":true,"data":{"id":8,"database_name":"school","table_name":"test2","where_clause":null,"is_complete":0,"inserted_rows":0,"total_rows":0,"created_at":null,"started_at":null,"completed_at":null,"binlog_file":null,"binlog_position":0,"client_id":"maxwell","comment":null}}');
-- 下面开始解析 JSON 字符串
select
-- 先获取根然后再获取子元素
get_json_object(json_txt,"$.database") `database`,
get_json_object(json_txt,"$.table") `table`,
get_json_object(json_txt,"$.type") `type`,
get_json_object(json_txt,"$.ts") ts,
get_json_object(json_txt,"$.xid") xid,
-- 获取多级关系的内容就嵌套使用
get_json_object(json_txt,"$.data.id") id,
get_json_object(json_txt,"$.data.database_name") database_name,
get_json_object(json_txt,"$.data.table_name") table_name
from
json_test;
查询结果如下:
在 Hive 3.0.0
及以上版本中(在低版本中需要通过添加 Jar 包实现),内置了序列化 JSON 内容数据的包 JsonSerDe
,在建表时指定序列化的格式,使用过程中就可以直接获取到 JSON 文件中的内容,无需进行手动解析操作。
在 hive-site.xml
文件中指定 Hive 表的序列化与反序列化器 SerDe
:
<property>
<name>metastore.storage.schema.reader.implname>
<value>org.apache.hadoop.hive.metastore.SerDeStorageSchemaReadervalue>
property>
添加完成后重启 Hive 服务,例如元数据库 metastore
或者 hiveserver2
远程连接。
我们先进入 HDFS 上创建一个 JSON 目录文件,存储一条 JSON 数据用于测试:
{"database":"maxwell","table":"bootstrap","type":"insert","ts":1683629964,"xid":395746,"commit":true,"data":{"id":8,"database_name":"school","table_name":"test2","where_clause":null,"is_complete":0,"inserted_rows":0,"total_rows":0,"created_at":null,"started_at":null,"completed_at":null,"binlog_file":null,"binlog_position":0,"client_id":"maxwell","comment":null}}
注意:文件中存储的 JSON 串必须是一行一条,不能手动跨越多行,不能格式化后存储,否则会引起 SerDe 解析异常:
java.io.IOException: org.apache.hadoop.hive.serde2.SerDeException: org.codehaus.jackson.JsonParseException: Unexpected end-of-input: expected close marker for OBJECT (from [Source: java.io.ByteArrayInputStream@73c91482; line: 1, column: 0])
这里在 HDFS 上创建了目录 /json_dir
,其中存储了 JSON 文件 json_file.txt
。
下面在 Hive 中创建表并对其进行解析:
drop table if exists json_test;
-- 其中定义的字段名对应 JSON 文件中的 KEY
-- 如果存在嵌套 JSON 子串,则需要使用结构体来进行定义
create table json_test(
`database` string,
`table` string,
`type` string,
`ts` string,
`xid` bigint,
`commit` string,
`data` struct<id:bigint,database_name:string,table_name:string>)
row format serde 'org.apache.hadoop.hive.serde2.JsonSerDe'
stored as textfile
location '/json_dir'; -- 指定 JSON 文件的存储目录
查询字段内容:
select * from json_test;
如果想要获取嵌套 JSON 子串中的内容也很简单,如下所示:
select
data.id,
data.database_name,
data.table_name
from json_test;
序列化与反序列解析 JSON 文件实战用的更多,更加方便快捷。