如何给Apache Pig自定义UDF函数？

近日由于工作所需，需要使用到Pig来分析线上的搜索日志数据，散仙本打算使用hive来分析的，但由于种种原因，没有用成，而Pig（pig0.12-cdh）散仙一直没有接触过，所以只能临阵磨枪了，花了两天时间，大致看完了pig官网的文档，在看文档期间，也是边实战边学习，这样以来，对pig的学习，会更加容易，当然本篇不是介绍如何快速学好一门框架或语言的文章，正如标题所示，散仙打算介绍下如何在Pig中，使用用户自定义的UDF函数，关于学习经验，散仙会在后面的文章里介绍。 



一旦你学会了UDF的使用，就意味着，你可以以更加灵活的方式来使用Pig，使它扩展一些为我们的业务场景定制的特殊功能，而这些功能，在通用的pig里是没有的，举个例子： 

你从HDFS上读取的数据格式，如果使用默认的PigStorage（）来加载，存储可能只支持有限的数据编码和类型，如果我们定义了一种特殊的编码存储或序列化方式，那么当我们使用默认的Pig来加载的时候，就会发现加载不了，这时候我们的UDF就派上用场了，我们只需要自定义一个LoadFunction和一个StoreFunction就可以解决，这种问题。 


本篇散仙根据官方文档的例子，来实战一下，并在hadoop集群上使用Pig测试通过： 
我们先来看下定义一个UDF扩展类，需要几个步骤： 

序号	步骤	说明
1	在eclipse里新建一个java工程，并导入pig的核心包	java项目
2	新建一个包，继承特定的接口或类，重写自定义部分	核心业务
3	编写完成后，使用ant打包成jar	编译时需要pig依赖，但不用把pig的jar包打入UDF中
4	把打包完成后的jar上传到HDFS上	pig运行时候需要加载使用
5	在pig脚本里，注册我们自定义的udf的jar包	注入运行时环境
6	编写我们的核心业务pig脚本运行	测试是否运行成功

项目工程截图如下： 

 



核心代码如下： 

package com.pigudf;

import java.io.IOException;

import org.apache.pig.EvalFunc;
import org.apache.pig.data.Tuple;
import org.apache.pig.impl.util.WrappedIOException;
/**
 * 自定义UDF类,对字符串转换大写
 * @author qindongliang
 * */
public class MyUDF extends EvalFunc<String> {

    @Override
    public String exec(Tuple input) throws IOException {

         //判断是否为null或空，就跳过
        if(input==null||input.size()==0){
            return null;
        }
        try{
            //获取第一个元素
            String str=(String) input.get(0);
            //转成大写返回
            return str.toUpperCase();

        }catch(Exception e){
            throw WrappedIOException.wrap("Caught exception processing input row ",e);
        }
    }


}

关于打包的ant脚本，散仙会在文末上传附件，下面看下造的一些测试数据（注意，文件一定要上传到HDFS上，除非你是local模式）： 

grunt> cat s.txt
zhang san,12
Song,34
long,34
abC,12
grunt>

我们在看下，操作文件和jar包是放在一起的： 

grunt> ls
hdfs://dnode1:8020/tmp/udf/pudf.jar<r 3>        1295
hdfs://dnode1:8020/tmp/udf/s.txt<r 3>   36
grunt>

最后，我们看下pig脚本的定义： 

--注册自定义的jar包
REGISTER pudf.jar;
--加载测试文件的数据，逗号作为分隔符
a = load 's.txt' using PigStorage(',');
--遍历数据，对name列转成大写
b =  foreach a generate com.pigudf.MyUDF((chararray)$0);
--启动MapReduce的Job进行数据分析
dump b

最后，我们看下结果，只要过程不出现异常和任务失败，就证明我们的udf使用成功： 

Counters:
Total records written : 4
Total bytes written : 64
Spillable Memory Manager spill count : 0
Total bags proactively spilled: 0
Total records proactively spilled: 0

Job DAG:
job_1419419533357_0147


2014-12-30 18:10:24,394 [main] INFO  org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MapReduceLauncher - Success!
2014-12-30 18:10:24,395 [main] INFO  org.apache.hadoop.conf.Configuration.deprecation - fs.default.name is deprecated. Instead, use fs.defaultFS
2014-12-30 18:10:24,396 [main] INFO  org.apache.pig.data.SchemaTupleBackend - Key [pig.schematuple] was not set... will not generate code.
2014-12-30 18:10:24,405 [main] INFO  org.apache.hadoop.mapreduce.lib.input.FileInputFormat - Total input paths to process : 1
2014-12-30 18:10:24,405 [main] INFO  org.apache.pig.backend.hadoop.executionengine.util.MapRedUtil - Total input paths to process : 1
(ZHANG SAN,12)
(SONG,34)
(LONG,34)
(ABC,12)

结果没问题，我们的UDF加载执行成功，如果我们还想将我们的输出结果直接写入到HDFS上，可以在pig脚本的末尾，去掉dump命令，加入 
store e into '/tmp/dongliang/result/'; 将结果存储到HDFS上，当然我们可以自定义存储函数，将结果写入数据库，Lucene，Hbase等关系型或一些NOSQL数据库里。