Hive的 TRANSFORM 关键字提供了在SQL中调用自写脚本的功能，本实例通过python脚本对电影数据进行清洗，帮助读者了解hive调用python脚本的整个流程。

操作步骤：

1、创建基表

CREATE TABLE u_data (
  userid INT,   //用户ID
  movieid INT,  //电影ID
  rating INT,    //电影评分
  unixtime STRING)。 //时间戳
ROW FORMAT DELIMITED
FIELDS TERMINATED BY '\t'
LINES TERMINATED BY '\n'    
STORED AS TEXTFILE;

2、加载数据

（1）下载数据源到/home/hadoop/data/目录：

wget http://files.grouplens.org/datasets/movielens/ml-100k.zip

（2）解压：

unzip ml-100k.zip

（3）加载数据：

hive> LOAD DATA LOCAL INPATH '/home/hadoop/data/u.data' 
hive> OVERWRITE INTO TABLE u_data;

3、查询数据
首先看一下加载的数据内容，执行：

 hive> select * from u_data limit 1；

结果如下：

统计数据条数，执行：

hive> SELECT COUNT(*) FROM u_data;

结果如下：

我们可以看到，一共有10万条数据被加载到u_data表中。
4、建立python脚本
此脚本主要清洗数据集中的时间戳，将时间戳转化为字符串日期时间，提取日期时间中的星期值。

import sys
import datetime

for line in sys.stdin:  //接收输入
  line = line.strip()    //去除头尾的空格
  userid, movieid, rating, unixtime = line.split('\t') //分割一条数据
  weekday = datetime.datetime.fromtimestamp(float(unixtime)).isoweekday()//转化unixtime时间戳为日期时间，获取对应的星期值
  print '\t'.join([userid, movieid, rating, str(weekday)])//输出清洗后的数据

保存为weekday_mapper.py，保存路径为：/home/hadoop/data。
5、 创建子表

CREATE TABLE u_data_new (
  userid INT,
  movieid INT,
  rating INT,
  weekday INT)
ROW FORMAT DELIMITED
FIELDS TERMINATED BY '\t';

6、 添加python脚本：

hive> add FILE /home/hadoop/data/weekday_mapper.py;//绝对路径

结果如下：

7、 插入数据
将原数据表u_data中经过python脚本清洗后的数据，加载到子表u_data_new中

INSERT OVERWRITE TABLE u_data_new
SELECT
  TRANSFORM (userid, movieid, rating, unixtime)    //输入值（基表）
  USING 'python weekday_mapper.py'                   //使用脚本清洗
  AS (userid, movieid, rating, weekday)             //输出值（子表）
FROM u_data;   //基表

8、查询数据
查询新表u_data_new数据，并与基表u_data数据对比，执行：

hive> select * from db_hive_test.u_data_new limit 1;
hive> select * from db_hive_test.u_data_new limit 1;

结果如下：

我们发现，新表时间字段经过python脚本清洗后，转化为星期值
9、统计一周内每天电影观影人次（假设每次观影后必须评分）

SELECT weekday, COUNT(*)
FROM u_data_new
GROUP BY weekday;

结果如下：

总结：
通过以上的例子，我们可以整体了解hive调用python脚本的过程，读者可根据业务需求改进python脚本内容，满足不同的业务场景。

dhp
2018.5.18