Hive自定义UDF-RowNumber

1. hive0.10及之前的版本没有row_number这个函数，假设我们现在出现如下业务场景，现在我们在hdfs上有个log日志文件，为了方便叙述，该文件只有2个字段，第一个是用户的id，第二个是当天登录的timestamp，现在我们需要求每个用户最早登录的那条记录（注意不是仅仅只要那个登录的timestamp），可以方便计算NewUser。

2. 我们的数据是这样的：

1,32
2,46
3,312
4,4643
5,54
6,456
7,437
8,5347
9,47
1,466
2,546
3,4
4,886
5,546
6,57
7,235
8,765
9,634

这里是假设的数据。

3.我们可以用hive建立一张表，其中第一个字段是id string, 第二个是login_time bigint,假设我们的表名是log。

4. 这样的场景可以用很多方法解决，但是我们可以用RowNumber函数，在0.11及以上的版本才集成到了hive中，但是我们公司用的是CDH4.5.0，hive才到0.10，所以只能自己写个这样的函数，具体的代码如下：

import org.apache.hadoop.hive.ql.exec.UDF;

public class RowN extends UDF {

	private static int MAX_VALUE = 50;
	private static String comparedColumn[] = new String[MAX_VALUE];
	private static int rowNum = 1;

	public int evaluate(Object... args) {
		String columnValue[] = new String[args.length];
		for (int i = 0; i < args.length; i++) {
			columnValue[i] = args[i].toString();
		}
		if (rowNum == 1) {
			for (int i = 0; i < columnValue.length; i++)
				comparedColumn[i] = columnValue[i];
		}

		for (int i = 0; i < columnValue.length; i++) {
			if (!comparedColumn[i].equals(columnValue[i])) {
				for (int j = 0; j < columnValue.length; j++) {
					comparedColumn[j] = columnValue[j];
				}
				rowNum = 1;
				return rowNum++;
			}
		}
		return rowNum++;
	}
}

5. 稍微解释下这个UDF，首先我们的UDF函数输入是多个列的值，传入多个值表示用多个值是否相同来打序号，对于我们的场景只要1个（就是id），函数row_number(),必须带一个或者多个列参数，如ROW_NUMBER(col1, ....)，它的作用是按指定的列进行分组生成行序列。在ROW_NUMBER(a,b) 时，若两条记录的a，b列相同，则行序列+1，否则重新计数。

6. 接下去关键的就是怎么取使用这个函数了，我们必须保证查出来的数据是有序的，这样才好加序号，而且要根据某个字段排序，但是如果数据量大或者我们自己设置了多个reducer咋办，这样的话我们就想到了使用distribute by和sort by的配合使用，可以使key相同的数据进入同一个reducer，这样就好办了，那么我们的hql语句其实就是一句话：

create temporary function RowNumber as 'xxx.xxx.xxx.udf.RowNumber';
select id, login_time from (select * from log distribute by id sort by id, login_time asc) tmp where RowNumber(id)=1;

结果为：

1 32
2 46
3 4
4 886
5 54
6 25
7 75
8 534
9 47

注：

1. 如果对distribute by不熟悉可以看另一个我的博客，有具体的解释：http://blog.csdn.net/jthink_/article/details/38903775

2. 这个函数最关键的部分就是得先有序，所以加序号前必须保证数据有序