hive udf和udaf

最新推荐文章于 2024-01-23 09:50:48 发布

mllhxn

最新推荐文章于 2024-01-23 09:50:48 发布

阅读量573

点赞数

分类专栏： hive 文章标签： hive

hive 专栏收录该内容

19 篇文章

订阅专栏

一 UDF

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;

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.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(AvgState 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;

DESCRIBE FUNCTION <function_name>;

参照以上图示（来自Hadoop权威教程）我们来看看各个函数：

l Init在类似于构造函数，用于UDF的初始化。

注意上图中红色框中的init函数。在实际运行中，无论hive将记录集划分了多少个部分去做（比如上图中的file1和file2两个部分），init函数仅被调用一次。所以上图中的示例是有歧义的。这也是为什么上面的代码中加了特别的注释来说明。或者换一句话说，init函数中不应该用于初始化部分聚集值相关的逻辑，而应该处理全局的一些数据逻辑。

l Iterate函数用于聚合。当每一个新的值被聚合时，此函数被调用。

l TerminatePartial函数在部分聚合完成后被调用。当hive希望得到部分记录的聚合结果时，此函数被调用。

l Merge函数用于合并先前得到的部分聚合结果（也可以理解为分块记录的聚合结果）。

l Terminate返回最终的聚合结果。