Hive TRANSFORM riceve NULL per i valori di array concatenati

Question

Ho una tabella hive nel formato:

   col1.      col2.     col3.
    a1          b1       c1
    a1          b1       c2                                  
    a1          b2       c2
    a1          b2       c3              
    a2          b3       c1
    a2          b4       c1                                  
    a2          b4       c2
    a2          b4       c3              
    .
    .

Ogni valore in col1 può avere più valori in col2 e ciascuna di queste coppie di (col1, col2) può avere più valori di col3 .

Sto eseguendo la query [Q] :

select col1, col2, collect_list(col3) from {table} group by col1, col2;

ottenere:

a1   b1   [c1, c2]
a1   b2   [c2, c3]
a2   b3   [c1]
a2   b4   [c1, c2, c3] 

Voglio fare alcune trasformazioni usando un UDF Python. Quindi sto passando tutte queste colonne a UDF usando la clausola TRANSFORM come:

select TRANSFORM ( * ) using 'python udf.py' FROM 
(
select col1, col2, concat_ws('\t', collect_list(col3)) from {table} group by col1, col2;
)

Sto usando concat_ws per convertire l'output dell'array in strig da collect_list concatenato dal separatore. Ottengo col1, col2 nel risultato, ma non ottengo l'output col3.

+---------+---------+
|      key|    value|
+---------+---------+
|a1       | b1      |
|         |     null|
|a1       | b2      |
|         |     null|
|a2       | b3      |
|         |     null|
|a2       | b4      |
|         |     null|
+---------+---------+

Nel mio UDF, ho solo una dichiarazione di stampa che stampa la riga ricevuta da stdin.

import sys
for line in sys.stdin:
    try:
        print line
    except Exception as e:
        continue

qualcuno può aiutare a capire perché non ricevo il col3 nel mio UDF?

Answer 1

Innanzitutto, devi analizzare la riga in Python UDF, ad esempio,

import sys
for line in sys.stdin:
    try:
        line = line.strip('\n')
        col1, col2, col3 = line.split('\t')
        print '\t'.join([col1, col2, col3])
    except Exception as e:
        continue

Quindi è meglio usare qualcos'altro invece \tche in concat_ws

select TRANSFORM ( * )  using 'python udf.py' as (col1, col2, col3)
FROM 
(
select col1, col2, concat_ws(',', collect_list(col3)) from {table} group by col1, col2;