hive ip解析
Hive 自定义udf --ip地址解析出归属地
1.问题背景:现在我们的流量表里存有用户的IP地址,有需求需要将ip地址的归属地解析出来。结构是 国家-省份-城市-运营商
2.目前使用的是开源的ip库,调用三方接口不太适合hive udf使用并且都是收费的。
3.开源数据库调研了纯真数据库 发现ip地址解析的结果误差比较大,并且返回的结构不太友好。后来使用的是一个开源项目ip2region 。具体介绍可以看下该项目的gitee地址。ip2region 这个数据库大概有70万条,比纯真的数据库要全面,并且返回结果的结构比较统一 (_城市Id|国家|区域|省份|城市|ISP_)非常有利于我们进行结果的改造。
4.使用该数据库
1.首先将数据库下载下来,在该项目data 目录下ip2region.db ,放到hdfs上
2.编写udf 函数
1.pom中引入
<dependency> <groupId>org.lionsoul</groupId> <artifactId>ip2region</artifactId> <version>1.7.2</version> </dependency> <dependency> <groupId>org.apache.hive</groupId> <artifactId>hive-exec</artifactId> <version>2.1.1</version> <scope>provided</scope> </dependency> <dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-common</artifactId> <version>2.7.3</version> <scope>provided</scope> </dependency> <dependency> <groupId>org.apache.hadoop</groupId> <artifactId>hadoop-hdfs</artifactId> <version>2.7.3</version> <scope>provided</scope> </dependency>
2.udf
public class Ip2region extends UDF { private static Configuration configuration; private static FileSystem fileSystem; private static InputStream in; private static byte[] data; static { //加载数据 ByteArrayOutputStream out = null; try { configuration = new Configuration(); fileSystem = FileSystem.get(URI.create("hdfs:///jars/hive/ip2region.db"), configuration); in = fileSystem.open(new Path("hdfs:///jars/hive/ip2region.db")); out = new ByteArrayOutputStream(); byte[] b = new byte[1024]; while (in.read(b) != -1) { out.write(b); } // 提高性能,将ip2region.db一次从hdfs中读取出来,缓存到data字节数组中以重用, // 避免每来一条数据读取一次ip2region.db data = out.toByteArray(); out.close(); in.close(); } catch (Exception e){ e.printStackTrace(); } finally { try { if(out != null) { out.close(); } if(in != null) { in.close(); } } catch (IOException e) { e.printStackTrace(); } } } public String evaluate(String ip) throws Exception{ DbConfig config = new DbConfig(); DbSearcher searcher = new DbSearcher(config,data); DataBlock dataBlock = searcher.memorySearch(ip); String[] split = dataBlock.getRegion().split("\\|"); String addr = convert(split[0])+","+convert(split[2])+","+convert(split[3])+","+convert(split[4]); return addr; } public String convert (String addr) { return addr.equals("0") ? "" :addr; } }
3.打包 需要将ip2region 依赖打入到写的udf中
<build> <finalName>hive-udf-ip2region</finalName> <plugins> <plugin> <groupId>org.apache.maven.plugins</groupId> <artifactId>maven-compiler-plugin</artifactId> <version>2.3.2</version> <configuration> <source>1.8</source> <target>1.8</target> <encoding>UTF-8</encoding> </configuration> </plugin> <plugin> <groupId>org.apache.maven.plugins</groupId> <artifactId>maven-assembly-plugin</artifactId> <version>2.3</version> <configuration> <descriptorRefs> <descriptorRef>jar-with-dependencies</descriptorRef> </descriptorRefs> </configuration> <executions> <!--打包的插件配置--> <execution> <id>make-assembly</id> <phase>package</phase> <goals> <goal>assembly</goal> </goals> </execution> </executions> </plugin> </plugins> </build>
5.使用udf函数
将ip库和 udf的jar 都传到hdfs上
进入hive
add jar hdfs:///jars/hive/hive-udf-ip2region-jar-with-dependencies.jar; create temporary function ip2region as 'com.hive.udf.Ip2region'; select ip2region('124.236.223.17');
6.注意:如果ip库必须传到hdfs 上,否则分布式跑的时候其他节点会加载不到改数据库