Hive SQL 之 `LATERAL VIEW EXPLODE` 的正确打开方式

一文彻底搞懂 `LATERAL VIEW EXPLODE`

1. 引言

在处理复杂数据结构（如数组、映射）时，Hive SQL 提供了强大的功能来简化查询和数据分析。其中，LATERAL VIEW 和 EXPLODE 是两个特别有用的关键字，它们可以帮助我们将复杂的数据类型拆分成更易处理的行格式。本文将详细介绍 LATERAL VIEW EXPLODE 的概念、应用场景以及具体使用方法。

2. 概念定义

LATERAL VIEW

定义：LATERAL VIEW 是 Hive SQL 中用于结合表生成函数（Table Generating Functions, TGFs）的一个关键字。它允许我们在同一个查询中对一个表执行额外的操作，例如调用 EXPLODE 函数。
作用：通过 LATERAL VIEW，我们可以为每个输入行生成多个输出行，并将这些新生成的行与原始数据合并，形成一个新的结果集。

EXPLODE

定义：EXPLODE 是一种表生成函数，它接收一个数组或映射作为输入，并为输入中的每一个元素生成一行输出。
特点：如果输入是一个数组，则每一行代表数组中的一个元素；如果是映射，则每一行包含键值对中的一个键及其对应的值。

LATERAL VIEW EXPLODE

组合使用：LATERAL VIEW EXPLODE 组合使用时，可以将复杂的数据结构（如数组或映射）转换成多行记录，使得原本难以处理的数据变得更加直观和易于分析。
好处：简化了对复杂数据类型的查询逻辑，提高了查询效率和灵活性。

3. 语法详解

语法结构

LATERAL VIEW [OUTER] EXPLODE(column) alias AS column_name

LATERAL VIEW：这是必须的关键词，表示接下来要应用一个表生成函数。
[OUTER]：可选关键词。默认情况下，EXPLODE 只会处理非空数组或映射。如果你希望保留原表中的所有行，即使某些行的指定列为空或为 NULL，可以使用 OUTER 关键词。
EXPLODE(column)：这是实际的表生成函数，column 表示你要展开的数组或映射列名。
alias：给由 EXPLODE 操作产生的临时结果集起一个别名。这有助于在外层查询中引用这些新生成的行。
AS column_name：为 EXPLODE 操作后的新列命名。这个新列将包含从原数组或映射中提取出来的单个元素。

示例语法

假设有一个表 users，其中有一列 hobbies 是一个数组：

SELECT id, hobby
FROM users
LATERAL VIEW EXPLODE(hobbies) exploded_hobbies AS hobby;

在这个例子中：

LATERAL VIEW 表示我们将在当前查询上下文中引入一个表生成函数。
EXPLODE(hobbies) 将 hobbies 数组中的每个元素都转换成一行新的 hobby 列。
exploded_hobbies 是给由 EXPLODE 操作产生的结果集起的别名。
AS hobby 定义了新生成的列名为 hobby。

使用 `OUTER` 关键词

如果你想确保即使 hobbies 列为空或为 NULL 的行也保留在结果集中，可以使用 OUTER 关键词：

SELECT id, hobby
FROM users
LATERAL VIEW OUTER EXPLODE(hobbies) exploded_hobbies AS hobby;

4. 使用场景

LATERAL VIEW EXPLODE 在以下场景中尤为有用：

从数组或映射中提取信息：当你有一个包含多个值的数组或映射列，并希望将这些值展开成独立的行进行进一步分析时。
处理嵌套数据结构：对于存储在 JSON 或其他嵌套格式中的数据，可以通过 EXPLODE 来扁平化这些结构，便于后续操作。
聚合复杂数据：当需要对复杂数据类型中的元素进行统计或聚合时，EXPLODE 可以帮助你将这些元素拆分出来，方便计算。

5. 实际应用案例

案例1：数组直接展开

假设我们有一个日志表 logs，其中有一列 tags 存储的是用户标签的数组，如下所示：

id	tags
1	[‘admin’, ‘user’]
2	[‘user’]

我们想要知道每个标签出现的次数。这时就可以使用 LATERAL VIEW EXPLODE：

SELECT tag, COUNT(*) as count
FROM logs
LATERAL VIEW EXPLODE(tags) exploded_tags AS tag
GROUP BY tag;

这段代码会将 tags 数组中的每个元素都转换成一行新的 tag 列，并统计每个标签的出现次数。结果可能如下：

tag	count
admin	1
user	2

案例2：先加工成数组，再展开

在实际的数据处理中，有时我们会遇到以逗号分隔的字符串（CSV 格式），例如一个用户的兴趣爱好可能被存储为一个逗号分隔的字符串。为了更好地分析这些数据，我们可以先使用 SPLIT 函数将字符串转换成数组，然后再用 LATERAL VIEW EXPLODE 将这个数组展开成多行。

假设我们有一个表 users，其中有一列 interests 存储的是用户兴趣爱好的逗号分隔字符串，如下所示：

id	name	interests
1	Alice	music,books
2	Bob	sports,games,books

我们想要将每个用户的兴趣爱好单独列出，并统计每个兴趣爱好的出现次数。可以按照以下步骤进行操作：

步骤 1: 使用 `SPLIT` 函数生成数组

首先，我们需要将 interests 列中的逗号分隔字符串转换成数组。这可以通过 SPLIT 函数实现，该函数接收一个字符串和一个分隔符作为参数，并返回一个数组。

SELECT id, name, SPLIT(interests, ',') as interest_array
FROM users;

这段代码会将 interests 列中的每个逗号分隔字符串转换成一个数组 interest_array。

步骤 2: 使用 `LATERAL VIEW EXPLODE` 展开数组

接下来，我们将使用 LATERAL VIEW EXPLODE 来将 interest_array 数组中的每个元素都转换成一行新的 interest 列。

SELECT id, name, interest
FROM (
  SELECT id, name, SPLIT(interests, ',') as interest_array
  FROM users
) t
LATERAL VIEW EXPLODE(interest_array) exploded_interests AS interest;

在这段代码中：

内层查询将 interests 列中的逗号分隔字符串转换成了数组 interest_array。
LATERAL VIEW EXPLODE(interest_array) 将数组中的每个元素都转换成一行新的 interest 列。
exploded_interests 是给由 EXPLODE 操作产生的结果集起的别名。
AS interest 定义了新生成的列名为 interest。

执行上述查询后，结果将会是：

id	name	interest
1	Alice	music
1	Alice	books
2	Bob	sports
2	Bob	games
2	Bob	books

步骤 3: 统计每个兴趣爱好的出现次数

最后，我们可以对展开后的兴趣爱好进行统计，计算每个兴趣爱好的出现次数：

SELECT interest, COUNT(*) as count
FROM (
  SELECT id, name, SPLIT(interests, ',') as interest_array
  FROM users
) t
LATERAL VIEW EXPLODE(interest_array) exploded_interests AS interest
GROUP BY interest;

这段代码会统计每个兴趣爱好的出现次数，结果可能是：

interest	count
music	1
books	2
sports	1
games	1

6. 操作层面

准备数据：确保你的表中包含至少一列是数组或映射类型，或者是一个逗号分隔的字符串。
编写查询：
- 如果是逗号分隔的字符串，使用 SPLIT 函数将其转换成数组。
- 使用 LATERAL VIEW 关键字引入 EXPLODE 操作。
- 指定要展开的数组或映射列名。
- 使用 AS 关键字为新生成的列命名。
执行查询：运行你的查询语句，查看由 EXPLODE 产生的新行。
分析结果：根据需要对生成的新行进行进一步的筛选、排序或聚合操作。

示例代码：

-- 将 users 表中 interests 字段的逗号分隔字符串转换成数组并展开成多行
SELECT id, name, interest
FROM (
  SELECT id, name, SPLIT(interests, ',') as interest_array
  FROM users
) t
LATERAL VIEW EXPLODE(interest_array) exploded_interests AS interest;

7. 常见问题与解决方案

问题：LATERAL VIEW EXPLODE 后，原始列不见了怎么办？
- 解决方案：在外层 SELECT 语句中明确指定你需要的所有列，包括原始列和新生成的列。你可以使用子查询别名来引用原始列，如 t.interest，还是来举个🌰：
```
SELECT t.id, t.name, t.interest,exploded_interests.interest_new
FROM (
 SELECT id, name, SPLIT(interests, ',') as interest_array
 FROM users
) t
LATERAL VIEW EXPLODE(t.interest_array) exploded_interests AS interest_new;
```
  当然，当你explode后生成的字段和原始字段本身就不冲突时，可以忽略掉表名，简化如下：
```
SELECT t.id, t.name, interest, interest_new
FROM (
  SELECT id, name, SPLIT(interests, ',') as interest_array
  FROM users
) t
LATERAL VIEW EXPLODE(t.interest_array) exploded_interests AS interest_new;
```
  一般给出的示例代码都是下面这样的，这样在外层 SELECT 的时候，EXPLODE 新生成 interests 就会把内层的 interests 给覆盖掉，导致内层的 interests 不见了，这样主要是为了简化写法，从使用角度当然是没问题的，这个地方其实丢掉了内层原始 interests 字段；这个地方涉及到变量作用域的问题，展开说其实有点多，有心的同学这个地方可以稍微注意一下！！！
```
SELECT t.id, t.name, interest, interest_new
FROM (
  SELECT id, name, SPLIT(interests, ',') as interest_array
  FROM users
) subquery
LATERAL VIEW EXPLODE(t.interest_array) subquery AS interests;
```
问题：如何处理空数组或 NULL 值？
- 解决方案：EXPLODE 函数会跳过空数组或 NULL 值，不会产生任何新行。如果你需要保留这些行，可以在 LATERAL VIEW 后添加 OUTER 关键字，例如 LATERAL VIEW OUTER EXPLODE(...)。

8. 总结

LATERAL VIEW EXPLODE 是 Hive SQL 中处理复杂数据结构的强大工具，它能够将数组或映射等复杂类型转换成易于处理的行格式。通过本文的学习，你应该已经掌握了它的基本概念、应用场景及具体的使用方法。实践是最好的老师，尝试将这些知识应用于实际工作中，你会发现它极大地提升了数据处理的效率和灵活性。