Hive TRANSFORM recebe NULL para valores de array concatenados

Question

Eu tenho uma tabela hive no 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              
    .
    .

Cada valor em col1 pode ter vários valores em col2 e cada par de (col1, col2) pode ter vários valores de col3 .

Estou executando a consulta [Q] :

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

para obter:

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

Eu quero fazer algumas transformações usando um UDF python. Então, estou passando todas essas colunas para UDF usando a cláusula TRANSFORM como:

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

Estou usando concat_ws para converter a saída da matriz em strig de collect_list concatenada por separador. Eu obtenho col1, col2 no resultado, mas não obtenho a saída col3.

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

Na minha UDF, tenho apenas uma instrução print que imprime a linha recebida do stdin.

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

alguém pode ajudar a descobrir por que não estou recebendo o col3 no meu UDF?

Answer 1

Primeiro, você precisa analisar a linha em Python UDF, por exemplo,

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

Então é melhor usar outra coisa em vez de \tconcat_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;