python UDF 实现对csv批量md5加密操作

工作上遇到需求，一批手机号要md5加密导出。为了保证数据安全，所以没有采用网上工具来加密。

md5的加密算法是开源的且成熟的，很多语言都有对应包可以直接用，我写了一个简单的python来实现，另一位同事做了一个hiveudf来实现，这里都给大家分享一下。

目标：

读取csv文件，并且对其中的内容进行md5加密，32位加密，将加密后的密文存入另一个csv文件。

python实现：

（1）准备好要读取的csv文件。单列，一行存一个手机号码。

（2）python代码：

#encoding=utf8
import hashlib #加密模块
import os

#定义一个加密函数，32位md5加密
def md5_encryption(str):
 m=hashlib.md5()
 m.update(str)
 return m.hexdigest()

#准备要读取的csv和要被写入的csv，两个文件要和此python放在同一个文件夹里
readfilename=os.path.join(os.path.dirname(__file__),"testcsv.csv")
writefilename=os.path.join(os.path.dirname(__file__),"writecsv.csv")
print('read:',readfilename)
print('write:',writefilename)

with open(readfilename,'r') as rf:
 #逐行写入加密后的密文，strip函数用于剔除换行符\n，不然是对“13000000\n”加密而不是对“13000000”加密
 with open(writefilename,'w') as wf: 
 for row in rf.readlines():
  wf.write(md5_encryption(row.strip())) 
  wf.write('\n')
 #计算一下写入的行数
 with open(writefilename,'r') as rwf:
 count=0
 while 1:
  buffer=rwf.read(1024*8192)
  if not buffer:
  break
  count+=buffer.count('\n')
 print('line writed number:',count)

（3）结果

hive udf 实现：

（1）用java写一个类用来实现加密，用maven打成jar包

import org.apache.hadoop.hive.ql.exec.udf;
import org.apache.commons.lang.stringutils;
import java.security.messagedigest;
public class md5 extends udf {
 public string evaluate (final string str) {
 if (stringutils.isblank(str)){
  return "";
 }
 string digest = null;
 stringbuffer buffer = new stringbuffer();
 try {
  messagedigest digester = messagedigest.getinstance("md5");
  byte[] digestarray = digester.digest(str.getbytes("utf-8"));
  for (int i = 0; i < digestarray.length; i++) {
  buffer.append(string.format("%02x", digestarray[i]));
  }
  digest = buffer.tostring();
 } catch (exception e) {
  e.printstacktrace();
 }
 return digest;
 }
 public static void main (string[] args ) {
 md5 md5 = new md5();
 system.out.println(md5.evaluate(" "));
 }
}

（2）配置一下pom.xml

<?xml version="1.0" encoding="utf-8"?>
<project xmlns="http://maven.apache.org/pom/4.0.0"
  xmlns:xsi="http://www.w3.org/2001/xmlschema-instance"
  xsi:schemalocation="http://maven.apache.org/pom/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">
 <modelversion>4.0.0</modelversion>

 <groupid>hiveudf</groupid>
 <artifactid>hiveudf</artifactid>
 <version>1.0-snapshot</version>

 <dependencies>
 <dependency>
  <groupid>org.apache.hive</groupid>
  <artifactid>hive-exec</artifactid>
  <version>0.14.0</version>
 </dependency>
 <dependency>
  <groupid>org.apache.calcite</groupid>
  <artifactid>calcite-core</artifactid>
  <version>0.9.2-incubating</version>
 </dependency>
 <dependency>
  <groupid>org.apache.calcite</groupid>
  <artifactid>calcite-avatica</artifactid>
  <version>0.9.2-incubating</version>
 </dependency>
 <dependency>
  <groupid>org.apache.hadoop</groupid>
  <artifactid>hadoop-common</artifactid>
  <version>2.6.0</version>
 </dependency>
 </dependencies>
</project>

(3)hive中配置udf

导入jar包：

hive> add jar hdfs:/user/udf/hiveudf-1.0-snapshot.jar;

新建一个函数：

hive> create temporary function md5 as 'md5';

使用:

hive> select md5('12345');
ok
827ccb0eea8a706c4c34a16891f84e7b
time taken: 0.139 seconds, fetched: 1 row(s)
hive> 
hive> select phone,md5(phone) from mid_latong_20200414 limit 5;
ok
1300****436 856299f44928e90****181b0cc1758c4
1300****436 856299f44928e90****181b0cc1758c4
1300****689 771dfa9ef00f43c****4901a3f1d1fa0
1300****689 771dfa9ef00f43c****4901a3f1d1fa0
1300****689 771dfa9ef00f43c****4901a3f1d1fa0
time taken: 0.099 seconds, fetched: 5 row(s)

以上就是python和hiveudf两种实现md5加密的方法啦！

补充：python的md5加密的一点坑

曾经在做某ctf题目时，被这点坑，坑了好久。

废话不多说，进入正题。

python md5加密方法

import hashlib   //导入hash库函数
text = "bolg.csdn.net"   //要加密的文本
md5_object = hashlib.md5()   //创建一个md5对象
md5_object.update(text)   //添加去要加密的文本
print md5_object.hexdigest()  //输出加密后的md5值

坑在哪？

当你在进行第一次加密时，程序正常输出md5值，但是在同一程序中进行第二次明文加密时，如果你的代码是这样写，就不会得到正确的md5值。

通过对第一张图片和第二张图片的比较，发现如果按照第一张图片的代码进行连续加密时，它实质上是在加密每次明文的叠加。

即第一次加密：csdn

第二次加密:csdnblog

正确做法应该是：

以上为个人经验，希望能给大家一个参考，也希望大家多多支持。如有错误或未考虑完全的地方，望不吝赐教。