hive中UDF、UDAF和UDTF使用

红太狼 2021-04-23 16:33 450阅读 0赞

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：  
  
````
package hive.connect;  
  
  
import org.apache.hadoop.hive.ql.exec.UDF;  
  
  
public final class Add extends UDF {   
  
  
public Integer evaluate(Integer a, Integer b) {   
  
  
               if (null == a || null == b) {   
  
  
                               return null;  
  
  
               } return a + b;  
  
  
}  
  
  
public Double evaluate(Double a, Double b) {   
  
  
               if (a == null || b == null)  
  
  
                               return null;  
  
  
                               return a + b;  
  
  
               }  
  
  
public Integer evaluate(Integer... a) {   
  
  
               int total = 0;  
  
  
               for (int i = 0; i < a.length; i++)  
  
  
                               if (a[i] != null)  
  
  
                                              total += a[i];  
  
  
                                              return total;  
  
  
                               }  
  
  
}  
````
  
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。  
  
`````
package hive.udaf;  
  
  
import org.apache.hadoop.hive.ql.exec.UDAF;  
  
  
import org.apache.hadoop.hive.ql.exec.UDAFEvaluator;  
  
  
public class Avg extends UDAF {   
  
  
         public static class AvgState {   
  
  
         private long mCount;  
  
  
         private double mSum;  
  
  
}  
  
  
public static class AvgEvaluator implements UDAFEvaluator {   
  
  
         AvgState state;  
  
  
         public AvgEvaluator() {   
  
  
                   super();  
  
  
                   state = new AvgState();  
  
  
                   init();  
  
  
}  
  
  
/** * init函数类似于构造函数，用于UDAF的初始化 */  
  
  
public void init() {   
  
  
         state.mSum = 0;  
  
  
         state.mCount = 0;  
  
  
}  
  
  
/** * 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 */  
  
  
public boolean iterate(Double o) {   
  
  
         if (o != null) {   
  
  
                   state.mSum += o;  
  
  
                   state.mCount++;  
  
  
         } return true;  
  
  
}  
  
  
/** * 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 */  
  
  
public AvgState terminatePartial() {   
  
  
         // combiner  
  
  
         return state.mCount == 0 ? null : state;  
  
  
}  
  
  
/** * 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 */  
  
  
public boolean terminatePartial(Double o) {                  
  
  
         if (o != null) {   
  
  
                   state.mCount += o.mCount;  
  
  
                   state.mSum += o.mSum;  
  
  
         }  
  
  
         return true;  
  
  
}  
  
  
/** * terminate返回最终的聚集函数结果 * * @return */  
  
  
public Double terminate() {   
  
  
         return state.mCount == 0 ? null : Double.valueOf(state.mSum / state.mCount);  
  
  
}  
  
  
}  
````
  
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;  
  
  
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  
  
  
  
  
继承org.apache.hadoop.hive.ql.udf.generic.GenericUDTF。  
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：  
  
  
  
  
   
````
  
    import java.util.ArrayList;  
     
    import org.apache.hadoop.hive.ql.udf.generic.GenericUDTF;  
    import org.apache.hadoop.hive.ql.exec.UDFArgumentException;  
    import org.apache.hadoop.hive.ql.exec.UDFArgumentLengthException;  
    import org.apache.hadoop.hive.ql.metadata.HiveException;  
    import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector;  
    import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspectorFactory;  
    import org.apache.hadoop.hive.serde2.objectinspector.StructObjectInspector;  
   import org.apache.hadoop.hive.serde2.objectinspector.primitive.PrimitiveObjectInspectorFactory;  
    
   public class ExplodeMap extends GenericUDTF{   
    
       @Override  
       public void close() throws HiveException {   
           // TODO Auto-generated method stub      
       }  
    
       @Override  
       public StructObjectInspector initialize(ObjectInspector[] args)  
               throws UDFArgumentException {   
           if (args.length != 1) {   
               throw new UDFArgumentLengthException("ExplodeMap takes only one argument");  
           }  
           if (args[0].getCategory() != ObjectInspector.Category.PRIMITIVE) {   
               throw new UDFArgumentException("ExplodeMap takes string as a parameter");  
           }  
    
           ArrayList<String> fieldNames = new ArrayList<String>();  
           ArrayList<ObjectInspector> fieldOIs = new ArrayList<ObjectInspector>();  
           fieldNames.add("col1");  
           fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);  
           fieldNames.add("col2");  
           fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);  
    
           return ObjectInspectorFactory.getStandardStructObjectInspector(fieldNames,fieldOIs);  
       }  
    
      @Override  
       public void process(Object[] args) throws HiveException {   
           String input = args[0].toString();  
           String[] test = input.split(";");  
           for(int i=0; i<test.length; i++) {   
               try {   
                   String[] result = test[i].split(":");  
                   forward(result);  
               } catch (Exception e) {   
                  continue;  
              }  
         }  
       }  
   }  
````
  
   
  
  
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。