使用Hive UDF和GeoIP库为Hive加入IP识别功能

导读：Hive是基于Hadoop的数据管理系统，作为分析人员的即时分析工具和ETL等工作的执行引擎，对于如今的大数据管理与分析、处理有着非常大的意义。GeoIP是一套IP映射库系统，它定时更新，并且提供了各种语言的API，非常适合在做地域相关数据分析时的一个数据源。

Hive是基于Hadoop的数据管理系统，作为分析人员的即时分析工具和ETL等工作的执行引擎，对于如今的大数据管理与分析、处理有着非常大的意义。GeoIP是一套IP映射库系统，它定时更新，并且提供了各种语言的API，非常适合在做地域相关数据分析时的一个数据源。

UDF是Hive提供的用户自定义函数的接口，通过实现它可以扩展Hive目前已有的内置函数。而为Hive加入一个IP映射函数，我们只需要简单地在UDF中调用GeoIP的Java API即可。

GeoIP的数据文件可以从这里下载：http://www.maxmind.com/download/geoip/database/，由于需要国家和城市的信息，我这里下载的是http://www.maxmind.com/download/geoip/database/GeoLiteCity.dat.gz

GeoIP的各种语言的API可以从这里下载：http://www.maxmind.com/download/geoip/api/

import java.io.IOException;

import org.apache.hadoop.hive.ql.exec.UDF;

import com.maxmind.geoip.Location;
import com.maxmind.geoip.LookupService;
import java.util.regex.*;

public class IPToCC  extends UDF {
    private static LookupService cl = null;
    private static String ipPattern = "\d+\.\d+\.\d+\.\d+";
    private static String ipNumPattern = "\d+";

    static LookupService getLS() throws IOException{
        String dbfile = "GeoLiteCity.dat";
        if(cl == null)
            cl = new LookupService(dbfile, LookupService.GEOIP_MEMORY_CACHE);
        return cl;
    }

    /**
     * @param str like "114.43.181.143"
     * */

    public String evaluate(String str) {
        try{
            Location Al = null;
            Matcher mIP = Pattern.compile(ipPattern).matcher(str);
            Matcher mIPNum = Pattern.compile(ipNumPattern).matcher(str);
            if(mIP.matches())
                Al = getLS().getLocation(str);
            else if(mIPNum.matches())
                Al = getLS().getLocation(Long.parseLong(str));
            return String.format("%s	%s", Al.countryName, Al.city);
        }catch(Exception e){
            e.printStackTrace();
            if(cl != null)
                cl.close();
            return null;
        }
    }

}

import java.io.IOException;

import org.apache.hadoop.hive.ql.exec.UDF;

import com.maxmind.geoip.Location;
import com.maxmind.geoip.LookupService;
import java.util.regex.*;

public class IPToCC  extends UDF {
	private static LookupService cl = null;
	private static String ipPattern = "\d+\.\d+\.\d+\.\d+";
	private static String ipNumPattern = "\d+";
	
	static LookupService getLS() throws IOException{
		String dbfile = "GeoLiteCity.dat";
		if(cl == null)
			cl = new LookupService(dbfile, LookupService.GEOIP_MEMORY_CACHE);
		return cl;
	}
	
	/**
	 * @param str like "114.43.181.143"
	 * */
	
	public String evaluate(String str) {
		try{
			Location Al = null;
			Matcher mIP = Pattern.compile(ipPattern).matcher(str);
			Matcher mIPNum = Pattern.compile(ipNumPattern).matcher(str);
			if(mIP.matches())
				Al = getLS().getLocation(str);
			else if(mIPNum.matches())
				Al = getLS().getLocation(Long.parseLong(str));
			return String.format("%s	%s", Al.countryName, Al.city);
		}catch(Exception e){
			e.printStackTrace();
			if(cl != null)
				cl.close();
			return null;
		}
	}

}

使用上也非常简单，将以上程序和GeoIP的API程序，一起打成JAR包iptocc.jar，和数据文件（GeoLiteCity.dat）一起放到Hive所在的服务器的一个位置。然后打开Hive执行以下语句：

add file /tje/path/to/GeoLiteCity.dat;
add jar /the/path/to/iptocc.jar;
create temporary function ip2cc as 'your.company.udf.IPToCC';

add file /tje/path/to/GeoLiteCity.dat;
add jar /the/path/to/iptocc.jar;
create temporary function ip2cc as 'your.company.udf.IPToCC';

然后就可以在Hive的CLI中使用这个函数了，这个函数接收标准的IPv4地址格式的字符串，返回国家和城市信息；同样这个函数也透明地支持长整形的IPv4地址表示格式。如果想在每次启动Hive CLI的时候都自动加载这个自定义函数，可以在hive命令同目录下建立.hiverc文件，在启动写入以上三条语句，重新启动Hive CLI即可；如果在这台服务器上启动Hive Server，使用JDBC连接，执行以上三条语句之后，也可以正常使用这个函数；但是唯一一点不足是，HUE的Beeswax不支持注册用户自定义函数。

虽然不尽完美，但是加入这样一个函数，对于以后做地域相关的即时分析总是提供了一些方便的，还是非常值得加入的。