关于在hive中使用python做UDF的总结

主要是利用hive提供的transform语句。

1.编写python脚本，python脚本数据如下（参考：https://dwgeek.com/hive-udf-using-python-use-python-script-into-hive-example.html/）：

#!/usr/bin/python

import sys
try:
    for line in sys.stdin:
        line = line.strip('\n\r')
        fname , lname = line.split('\t')
        firstname = fname.title()
        lastname = lname.title()
        print '\t'.join([firstname, lastname])
except:
    print sys.exc_info()

 

2. 配置python脚本，以让hive能够识别到，经测试有两种方式：

第一种：在hive CLI中增加python脚本，脚本可以放到服务器本地目录或者hdfs中，依据py脚本所处的位置使用不同的add file语句。

--在服务器本地目录时
add file initCap.py

--在hdfs时
add file hdfs:///tmp/initCap.py

 由于我们的hive配置了sentry权限控制，经测试只有hive CLI能够执行add file，用beeline或者其它客户端的时候会报没有权限的问题，具体原因还不知道。这种方式需要在每次连接hive都要执行add file的命令，不实用。

 

第二种：使用hive.reloadable.aux.jars.path 的配置参数，然后把py脚本放到对应的目录中，然后在hive中执行reload 命令，这种方式不需要每次连接都做配置。假设我们配置为：

hive.reloadable.aux.jars.path=/jars/hive/udf/

 

 

3. 在hive sql中使用刚才我们添加的python脚本，示例sql如下：

--在hive CLI中使用add file的情况
select transform('abc\tdef') using 'python initCap.py' as (col_name,khjd);

--使用hive.reloadable.aux.jars.path配置参数的情况
select transform('abc\tdef') using '/jars/hive/udf/initCap.py' as (col_name,khjd);

 

 

经测试，当使用mr作为执行引擎的时候以上方式可以正确调用py。但是使用spark作为执行引擎的时候会报错，原因暂时未知。

以上。