经常在数据开发中需要搞udf，最近发现transform更加方便易用，但是经常会涉及到集群python版本不一、包不全或者部分机器上没有安装python。
所以咱们需要快速的进行环境配置。
因为mac自带安装好的python，所以就不讲怎么安装了。可以去官网下个：https://www.python.org/downloads/source/
1、安装虚拟环境工具：
执行：pip install virtualenv，如果没有pip的话可以google一把，自行安装
2、创建虚拟环境：
新建一个目录，各种环境文件放里面：
midir envs
cd 到该目录下，创建python虚拟环境:
virtualenv python-env
创建完了可以看到会新增一个python-env文件夹。
如果你对python版本有要求，也可以指定python版本进行创建：
virtualenv -p /usr/bin/python2.7 python-env
3、在新的虚拟环境安装自己需要的包：
激活虚拟环境：
source python-env/bin/activate
这时候在这个环境下安装的py包都是在该环境下的，可以用pip install进行安装
例如：pip install pyhs2
(安装pyhs2的时候出现异常 Cannot uninstall 'six'. It is a distutils installed project，直接跳过 sudo pip install pyhs2 --ignore-installed six)
退出虚拟环境：
deactivate
4、修改文件配置：
进入虚拟环境的bin文件夹
修改activate文件内的路径：
DIR_PATH="$( cd "$( dirname "${BASH_SOURCE[0]}" )" && pwd )"
VIRTUAL_ENV="$( readlink -f "${DIR_PATH}/../" )"
5、打包文件：
进入python-env文件夹内（因为目录层级少一点），打包虚拟环境：
tar -zcf python-env.tgz *
检查一下打包文件是否把对应包打进去了，查看打包是否把pyhs2打进去了：
tar -tvf python-env.tgz |grep "pyhs2"
6、如何引用python环境
新建shell文件例如test.sh,代码如下:
source ./python-env.tgz/bin/activate
python test_transform.py
写好test_transform的代码，例如简单的计算(不要纠结案例的业务逻辑)：
# -*- coding: utf-8 -*-
import sys
def main():
data_list = sys.stdin.readlines()
# 获取id循环次数,除数-1,结果加+1
n = (data_list.__len__() - 1)/20 + 1
j = 1
while j <= n:
id_lists = data_list[(j - 1) * 20:j * 20]
ids = []
for id in id_lists:
ids.append(id.strip())
j += 1
for id in ids:
result=[id,str(id*100),str(id+10)]
print '\t'.join(str(e) for e in result)
if __name__ == "__main__":
main()
把python-env.tgz、test.sh、test_transform.py上传至集群的hdfs上，例如在：hdfs:///user/tmp
7、hive引用transfrom：
进入hive客户端后，加载上述文件：
ADD ARCHIVE hdfs:///user/tmp/python-env.tgz;
ADD FILE hdfs:///user/tmp/test.sh;
ADD FILE hdfs:///user/tmp/test_transform.py;
执行hsql：
select
transform(id) USING 'test.sh' as (id,price1,price2)
from
(
select 100 as id from dual
)t
以上整个流程搞通，那么就算集群上没有装python，你都可以自己创建transform进行快速开发了。
