【SparkSQL】Spark SQL自定义函数的介绍及其使用

目录

介绍

自定义UDF

自定义UDAF

---

• 介绍

类似于hive当中的自定义函数， spark同样可以使用自定义函数来实现新的功能。spark中的自定义函数有如下3类

UDF(User-Defined-Function)：输入一行，输出一行

UDAF(User-Defined Aggregation Funcation)：输入多行，输出一行

UDTF(User-Defined Table-Generating Functions)：输入一行，输出多行

 

• 自定义UDF

数据

Hello
abc
study
small

 

通过自定义UDF函数将每一行数据转换成大写

//创建SparkSession
val spark: SparkSession = SparkSession.builder().master("local[*]").appName("SparkSQL").getOrCreate()

//根据SparkSession创建SparkContext
val sc: SparkContext = spark.sparkContext
sc.setLogLevel("WARN")

//读取文件
val fileDS: Dataset[String] = spark.read.textFile("C:\\Users\\86132\\Desktop\\555\\udf.txt")


//将每一行数据转换成大写
//注册一个函数名称为smallToBig,功能是传入一个String,返回一个大写的String
spark.udf.register("smallToBig", (str: String) => str.toUpperCase())
fileDS.createOrReplaceTempView("t_word")

//使用我们自己定义的函数
spark.sql("select value,smallToBig(value) from t_word").show()

sc.stop()
spark.stop()

 

• 自定义UDAF

数据

{"name":"Michael","salary":3000}
{"name":"Andy","salary":4500}
{"name":"Justin","salary":3500}
{"name":"Berta","salary":4000}

继承UserDefinedAggregateFunction方法重写说明

inputSchema：输入数据的类型

bufferSchema：产生中间结果的数据类型

dataType：最终返回的结果类型

deterministic：确保一致性，一般用true

initialize：指定初始值

update：每有一条数据参与运算就更新一下中间结果(update相当于在每一个分区中的运算)

merge：全局聚合(将每个分区的结果进行聚合)

evaluate：计算最终的结果

 

求取平均工资

def main(args: Array[String]): Unit = {
    //创建SparkSession
    val spark: SparkSession = SparkSession.builder().appName("SparkSQL").master("local[*]").getOrCreate()

    //根据SparkSession创建SparkContext
    val sc: SparkContext = spark.sparkContext
    sc.setLogLevel("WARN")

    //读取文件
    val employeeDF: DataFrame = spark.read.json("C:\\Users\\86132\\Desktop\\555\\udaf.json")

    //创建临时表
    employeeDF.createOrReplaceTempView("t_employee")

    //注册UDAF函数
    spark.udf.register("myavg", new MyUDAF)

    //使用自定义UDAF函数
    spark.sql("select myavg(salary) from t_employee").show()

    //使用内置的avg函数
    spark.sql("select avg(salary) from t_employee").show()
  }
}

class MyUDAF extends UserDefinedAggregateFunction {
  //输入的数据类型的schema
  override def inputSchema: StructType = {
    //:: Nil 创建一个不可变的列表
    StructType(StructField("input", LongType) :: Nil)
  }

  //缓冲区数据类型schema，就是转换之后的数据的schema
  override def bufferSchema: StructType = {
    StructType(StructField("sum", LongType) :: StructField("total", LongType) :: Nil)
  }

  //返回值的数据类型
  override def dataType: DataType = {
    DoubleType
  }

  //确定是否相同的输入会有相同的输出
  override def deterministic: Boolean = {
    true
  }

  //初始化内部数据结构
  override def initialize(buffer: MutableAggregationBuffer): Unit = {
    buffer(0) = 0L
    buffer(1) = 0L
  }

  //更新数据内部结构,区内计算
  override def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
    //所有的金额相加
    buffer(0) = buffer.getLong(0) + input.getLong(0)
    //一共有多少条数据
    buffer(1) = buffer.getLong(1) + 1
  }

  //来自不同分区的数据进行合并,全局合并
  override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
    buffer1(0) = buffer1.getLong(0) + buffer2.getLong(0)
    buffer1(1) = buffer1.getLong(1) + buffer2.getLong(1)
  }

  //计算输出数据值
  override def evaluate(buffer: Row): Any = {
    buffer.getLong(0).toDouble / buffer.getLong(1)
  }