zoukankan      html  css  js  c++  java

  • 【转】hive中UDF、UDAF和UDTF使用

    　　原博文出自于：　　http://blog.csdn.net/liuj2511981/article/details/8523084　　　　　　感谢！

         Hive进行UDF开发十分简单，此处所说UDF为Temporary的function，所以需要hive版本在0.4.0以上才可以。

    一、背景：

    Hive是基于Hadoop中的MapReduce，提供HQL查询的数据仓库。Hive是一个很开放的系统，很多内容都支持用户定制，包括：

    　　a）文件格式：Text File，Sequence File
    　　b）内存中的数据格式： Java Integer/String, Hadoop IntWritable/Text
    　　c）用户提供的 map/reduce 脚本：不管什么语言，利用 stdin/stdout 传输数据
    　　d）用户自定义函数: Substr, Trim, 1 – 1
    　　e）用户自定义聚合函数: Sum, Average…… n – 1

    2、定义：UDF(User-Defined-Function)，用户自定义函数对数据进行处理。

    二、用法

    　　1、UDF函数可以直接应用于select语句，对查询结构做格式化处理后，再输出内容。
    　　2、编写UDF函数的时候需要注意一下几点：
    　　　　a）自定义UDF需要继承org.apache.hadoop.hive.ql.UDF。
    　　　　b）需要实现evaluate函。
    　　　　c）evaluate函数支持重载。

    　　3、以下是两个数求和函数的UDF。evaluate函数代表两个整型数据相加，两个浮点型数据相加，可变长数据相加

    　　Hive的UDF开发只需要重构UDF类的evaluate函数即可。例：

    1. package hive.connect;  
    2.   
    3. import org.apache.hadoop.hive.ql.exec.UDF;  
    4.   
    5. public final class Add extends UDF {  
    6. public Integer evaluate(Integer a, Integer b) {  
    7.                if (null == a || null == b) {  
    8.                                return null;  
    9.                } return a + b;  
    10. }  
    11.   
    12. public Double evaluate(Double a, Double b) {  
    13.                if (a == null || b == null)  
    14.                                return null;  
    15.                                return a + b;  
    16.                }  
    17.   
    18. public Integer evaluate(Integer... a) {  
    19.                int total = 0;  
    20.                for (int i = 0; i < a.length; i++)  
    21.                                if (a[i] != null)  
    22.                                              total += a[i];  
    23.                                               return total;  
    24.                                }  
    25. }  

    　　4、步骤

    　　　　a）把程序打包放到目标机器上去；

    　　　　b）进入hive客户端，添加jar包：hive>add jar /run/jar/udf_test.jar;

    　　　　c）创建临时函数：hive>CREATE TEMPORARY FUNCTION add_example AS 'hive.udf.Add';

    　　　　d）查询HQL语句：

    　　　　　　SELECT add_example(8, 9) FROM scores;
    　　
    　　　　　　SELECT add_example(scores.math, scores.art) FROM scores;
    　　
    　　　　　　SELECT add_example(6, 7, 8, 6.8) FROM scores;

    　　　　e）销毁临时函数：hive> DROP TEMPORARY FUNCTION add_example;

    　　5、细节在使用UDF的时候，会自动进行类型转换，例如：

    　　　　SELECT add_example(8,9.1) FROM scores;

    　　注：

    　　　　1. UDF只能实现一进一出的操作，如果需要实现多进一出，则需要实现UDAF

    　　　　

    下面来看下UDAF

    （二）、UDAF

    　　1、Hive查询数据时，有些聚类函数在HQL没有自带，需要用户自定义实现。

    　　2、用户自定义聚合函数: Sum, Average…… n – 1

    　　UDAF（User- Defined Aggregation Funcation）

    一、用法

    　　1、一下两个包是必须的import org.apache.hadoop.hive.ql.exec.UDAF和 org.apache.hadoop.hive.ql.exec.UDAFEvaluator。
    　　2、函数类需要继承UDAF类，内部类Evaluator实UDAFEvaluator接口。
    　　3、Evaluator需要实现 init、iterate、terminatePartial、merge、terminate这几个函数。
    　　　　a）init函数实现接口UDAFEvaluator的init函数。
    　　　　b）iterate接收传入的参数，并进行内部的轮转。其返回类型为boolean。
    　　　　c）terminatePartial无参数，其为iterate函数轮转结束后，返回轮转数据，terminatePartial类似于hadoop的Combiner。
    　　　　d）merge接收terminatePartial的返回结果，进行数据merge操作，其返回类型为boolean。
    　　　　e）terminate返回最终的聚集函数结果。

      1. 　　package hive.udaf;  
      2. 　　  
      3. 　　import org.apache.hadoop.hive.ql.exec.UDAF;  
      4. 　　import org.apache.hadoop.hive.ql.exec.UDAFEvaluator;  
      5. 　　public class Avg extends UDAF {  
      6.  　　        public static class AvgState {  
      7.   　　       private long mCount;  
      8.  　　        private double mSum;  
      9. }  　　
      10. 　　  
      11. 　　public static class AvgEvaluator implements UDAFEvaluator {  
      12.    　　      AvgState state;  
      13.         　　 public AvgEvaluator() {  
      14.            　　        super();  
      15.           　　         state = new AvgState();  
      16.          　　          init();  
      17. }  　　
      18.   　　
      19. /** * 　　init函数类似于构造函数，用于UDAF的初始化 */  
      20.   　　
      21. 　　public void init() {  
      22.       　　   state.mSum = 0;  
      23.        　　  state.mCount = 0;  
      24. }  　　
      25.   　　
      26. /** *　　 iterate接收传入的参数，并进行内部的轮转。其返回类型为boolean * * @param o * @return */  
      27.   　　
      28. 　　public boolean iterate(Double o) {  
      29.         　　 if (o != null) {  
      30.          　　          state.mSum += o;  
      31.          　　          state.mCount++;  
      32.       　　   } return true;  
      33. }  　　
      34.   　　
      35. /** *　　 terminatePartial无参数，其为iterate函数轮转结束后，返回轮转数据， * terminatePartial类似于hadoop的Combiner * * @return */  
      36.   　　
      37. 　　public AvgState terminatePartial() {  
      38.       　　   // combiner  
      39.       　　   return state.mCount == 0 ? null : state;  
      40. }  　　
      41.   　　
      42. /** *　　 merge接收terminatePartial的返回结果，进行数据merge操作，其返回类型为boolean * * @param o * @return */  
      43.   　　
      44. 　　public boolean terminatePartial(Double o) {                  
      45.      　　    if (o != null) {  
      46.       　　             state.mCount += o.mCount;  
      47.        　　            state.mSum += o.mSum;  
      48.      　　    }  
      49.   　　
      50.     　　     return true;  
      51. }  　　
      52.   　　
      53. /** *　　 terminate返回最终的聚集函数结果 * * @return */  
      54.   　　
      55. 　　public Double terminate() {  
      56.      　　    return state.mCount == 0 ? null : Double.valueOf(state.mSum / state.mCount);  
      57. }  　　
      58.   　　
      59. }  　　

    　　5、执行求平均数函数的步骤
    　　　　a）将java文件编译成Avg_test.jar。
    　　　　b）进入hive客户端添加jar包：
    　　　　　　hive>add jar /run/jar/Avg_test.jar。
    　　　　c）创建临时函数：
    　　　　　　hive>create temporary function avg_test 'hive.udaf.Avg';
    　　　　d）查询语句：
    　　　　　　hive>select avg_test(scores.math) from scores;
    　　　　e）销毁临时函数：
    　　　　　　hive>drop temporary function avg_test;

    五、总结

    　　1、重载evaluate函数。
    　　2、UDF函数中参数类型可以为Writable，也可为Java中的基本数据对象。
    　　3、UDF支持变长的参数。
    　　4、Hive支持隐式类型转换。
    　　5、客户端退出时，创建的临时函数自动销毁。
    　　6、evaluate函数必须要返回类型值，空的话返回null，不能为void类型。
    　　7、UDF是基于单条记录的列进行的计算操作，而UDFA则是用户自定义的聚类函数，是基于表的所有记录进行的计算操作。
    　　8、UDF和UDAF都可以重载。
    　　9、查看函数
    　　　　SHOW FUNCTIONS;

     UDTF

    　　1. UDTF介绍
    　　　　UDTF(User-Defined Table-Generating Functions) 用来解决 输入一行输出多行(On-to-many maping) 的需求。
    　　2. 编写自己需要的UDTF
    　　　　(1) 继承org.apache.hadoop.hive.ql.udf.generic.GenericUDTF。

    　　　　 (2)实现initialize, process, close三个方法。

    　　　　UDTF首先会调用initialize方法，此方法返回UDTF的返回行的信息（返回个数，类型）。初始化完成后，会调用process方法，对传入的参数进行处理，可以通过forword()方法把结果返回。最后close()方法调用，对需要清理的方法进行清理。
    　　下面是我写的一个用来切分”key:value;key:value;”这种字符串，返回结果为key, value两个字段。供参考：

      1. 　　import java.util.ArrayList;  
      2.    　　 import org.apache.hadoop.hive.ql.udf.generic.GenericUDTF;  
      3.   　　  import org.apache.hadoop.hive.ql.exec.UDFArgumentException;  
      4.    　　 import org.apache.hadoop.hive.ql.exec.UDFArgumentLengthException;  
      5.    　　 import org.apache.hadoop.hive.ql.metadata.HiveException;  
      6.    　　 import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector;  
      7.    　　 import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspectorFactory;  
      8.    　　 import org.apache.hadoop.hive.serde2.objectinspector.StructObjectInspector;  
      9.   　　 import org.apache.hadoop.hive.serde2.objectinspector.primitive.PrimitiveObjectInspectorFactory;  
      10.     　　
      11.    　　public class ExplodeMap extends GenericUDTF{  
      12.     　　
      13.      　　  @Override  
      14.        　　public void close() throws HiveException {  
      15.       　　     // TODO Auto-generated method stub      
      16.       　　 }  
      17.     　　
      18.       　　 @Override  
      19.       　　 public StructObjectInspector initialize(ObjectInspector[] args)  
      20.        　　        throws UDFArgumentException {  
      21.         　　   if (args.length != 1) {  
      22.          　　      throw new UDFArgumentLengthException("ExplodeMap takes only one argument");  
      23.          　　  }  
      24.          　　  if (args[0].getCategory() != ObjectInspector.Category.PRIMITIVE) {  
      25.          　　      throw new UDFArgumentException("ExplodeMap takes string as a parameter");  
      26.         　　   }  
      27.     　　
      28.          　　  ArrayList<String> fieldNames = new ArrayList<String>();  
      29.         　　   ArrayList<ObjectInspector> fieldOIs = new ArrayList<ObjectInspector>();  
      30.         　　   fieldNames.add("col1");  
      31.          　　  fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);  
      32.          　　  fieldNames.add("col2");  
      33.         　　   fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);  
      34.     　　
      35.       　　     return ObjectInspectorFactory.getStandardStructObjectInspector(fieldNames,fieldOIs);  
      36.      　　  }  
      37.     　　
      38.      　　 @Override  
      39.       　　 public void process(Object[] args) throws HiveException {  
      40.       　　     String input = args[0].toString();  
      41. 　　       　　    String[] test = input.split(";");  
      42.         　　   for(int i=0; i<test.length; i++) {  
      43.        　　        try {  
      44.        　　            String[] result = test[i].split(":");  
      45.        　　            forward(result);  
      46.         　　       } catch (Exception e) {  
      47.        　　           continue;  
      48.        　　       }  
      49.       　　   }  
      50.      　　  }  
      51.    　　}  

     

    3. 使用方法

    　　UDTF有两种使用方法，一种直接放到select后面，一种和lateral view一起使用。

    　　1：直接select中使用

    select explode_map(properties) as (col1,col2) from src;

    　　　　不可以添加其他字段使用

    select a, explode_map(properties) as (col1,col2) from src

    　　　　不可以嵌套调用

    select explode_map(explode_map(properties)) from src

    　　　　不可以和group by/cluster by/distribute by/sort by一起使用

    select explode_map(properties) as (col1,col2) from src group by col1, col2


    　　2：和lateral view一起使用

    select src.id, mytable.col1, mytable.col2 from src lateral view explode_map(properties) mytable as col1, col2;

    　　此方法更为方便日常使用。执行过程相当于单独执行了两次抽取，然后union到一个表里。
  • 相关阅读:
    Oracle DBA手记3：数据库性能优化与内部原理解析
    产品部和业务部门的利益之争
    利用dir函数查询各个数据类型的方法
    Python自动单元测试框架
    十一长假归来
    我心爱的TT被我擦到了，伤心！
    150首现代最流行的歌曲连放
    Increase bugzilla attachment size
    Python中的搜索路径
    抛出异常
  • 原文地址：https://www.cnblogs.com/zlslch/p/6046480.html
Copyright © 2011-2022 走看看