hive中UDF、UDTF、UDAF快速上手

在hive中新建表”apache_log”

CREATE TABLE apachelog (
  host STRING,
  identity STRING,
  user STRING,
  time STRING,
  request STRING,
  status STRING,
  size STRING,
  referer STRING,
  agent STRING)
ROW FORMAT SERDE 'org.apache.hadoop.hive.serde2.RegexSerDe'
WITH SERDEPROPERTIES (
  "input.regex" = "([^ ]*) ([^ ]*) ([^ ]*) (-|\\[[^\\]*\\]]) ([^ \"]*|\"[^\"]*\") (-|[0-9]*) (-|[0-9]*) (?: ([^ \"]*|\".*\") ([^ \"]*|\".*\"))?"
)
STORED AS TEXTFILE;

这个是官方给出的实例，但是是错的。

不过，已经有人给做出了修改。

接下来结合一些样例数据(样例数据会在评论中给出下载连接)：

27.19.74.143 - - [29/April/2016:17:38:20 +0800] "GET /static/image/common/faq.gif HTTP/1.1" 200 1127
110.52.250.126 - - [29/April/2016:17:38:20 +0800] "GET /data/cache/style_1_widthauto.css?y7a HTTP/1.1" 200 1292
27.19.74.143 - - [29/April/2016:17:38:20 +0800] "GET /static/image/common/hot_1.gif HTTP/1.1" 200 680
27.19.74.143 - - [29/April/2016:17:38:20 +0800] "GET /static/image/common/hot_2.gif HTTP/1.1" 200 682
27.19.74.143 - - [29/April/2016:17:38:20 +0800] "GET /static/image/filetype/common.gif HTTP/1.1" 200 90
110.52.250.126 - - [29/April/2016:17:38:20 +0800] "GET /source/plugin/wsh_wx/img/wsh_zk.css HTTP/1.1" 200 1482
110.52.250.126 - - [29/April/2016:17:38:20 +0800] "GET /data/cache/style_1_forum_index.css?y7a HTTP/1.1" 200 2331
110.52.250.126 - - [29/April/2016:17:38:20 +0800] "GET /source/plugin/wsh_wx/img/wx_jqr.gif HTTP/1.1" 200 1770
27.19.74.143 - - [29/April/2016:17:38:20 +0800] "GET /static/image/common/recommend_1.gif HTTP/1.1" 200 1028
110.52.250.126 - - [29/April/2016:17:38:20 +0800] "GET /static/image/common/logo.png HTTP/1.1" 200 4542
......

这个是apache服务器的日志信息，一共七个字段，分别表示：”host”、”identity”、”user”、”time”、”request”、”status”、”size”，在hive官网上是有九个字段的，剩下两个为：”referer”、”agent”。
我们根据这些数据，从一些小需求中来体会一下这三种函数。

UDF(user-defined functions)
“小”需求：
提取”time”，转换成”yyyy-MM-dd HH:mm:ss” 格式。

要点：
1.继承自“org.apache.hadoop.hive.ql.exec.UDF”；
2.实现”evaluate()”方法。

*JAVA 代码*
package com.hadoop.hivetest.udf;

import java.text.ParseException;
import java.text.SimpleDateFormat;
import java.util.Date;
import java.util.Locale;

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

public class MyDateParser extends UDF{
    public String evaluate(String s){
        SimpleDateFormat formator = new SimpleDateFormat("dd/MMMMM/yyyy:HH:mm:ss Z",Locale.ENGLISH);
        if(s.indexOf("[")>-1){
            s = s.replace("[", "");
        }
        if(s.indexOf("]")>-1){
            s = s.replace("]", "");
        }

        try {
            //将输入的string转换成date数据类型
            Date date = formator.parse(s);
            SimpleDateFormat rformator = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss");
            return rformator.format(date);
        } catch (ParseException e) {
            e.printStackTrace();
            return "";
        }
    }
}

小插曲
导出为jar包，发送到Linux上。这次我们可以使用 editplus 编辑器来上传：

– 打开editplus，选择”File—FTP—FTP Setting” –

– 选择添加 –

并且在相应的字段上填上值，对于”Subdirectory”这一项要填写的是你希望上传到Linux上的哪个目录。

– 点击”Advanced Options” –

之后便可以一路OK回去。

– 选择FTP Upload –

在这里找到要上传的文件，选择要上传到哪一个账户上，并选择”Upload”即可。

然后我们就可以在”Subdirectory”中写到的目录下去找我们的文件了。

– 小插曲结束 –

之后我们使用beeline客户端来连接hive

然后我们可以新建一个数据库，并使用之前的建表语句来创建”apache_log”，并导入数据(默认大家都会了^.^)。

Step 1: add jar “jar-path”

Step 2: create function timeparse as ‘包名+类名’

Step 3: 使用该函数

对比之前我们导入的数据

UDTF(user-defined table-generating functions)
“小”需求：
针对”request”字段，将其拆分，获取到用户的请求连接。
第一部分表示请求的方式，第二部分为用户请求的连接，第三部分为协及版本号。

要点：
1.继承自”org.apache.hadoop.hive.ql.udf.generic.GenericUDTF”；
2.实现initialize()、process()、close()三个方法。

*JAVA代码
package com.hadoop.hivetest.udf;

import java.util.ArrayList;

import org.apache.hadoop.hive.ql.exec.UDFArgumentException;
import org.apache.hadoop.hive.ql.metadata.HiveException;
import org.apache.hadoop.hive.ql.udf.generic.GenericUDTF;
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 MyRequestParser extends GenericUDTF {

    @Override
    public StructObjectInspector initialize(ObjectInspector[] arg0) throws UDFArgumentException {
        if(arg0.length != 1){
            throw new UDFArgumentException("参数不正确。");
        }
        ArrayList fieldNames = new ArrayList();
        ArrayList fieldOIs = new ArrayList();

        //添加返回字段设置
        fieldNames.add("rcol1");
        fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);

        fieldNames.add("rcol2");
        fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);

        fieldNames.add("rcol3");
        fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);

        //将返回字段设置到该UDTF的返回值类型中
        return ObjectInspectorFactory.getStandardStructObjectInspector(fieldNames, fieldOIs);   
    }
    @Override
    public void close() throws HiveException {

    }

    //处理函数的输入并且输出结果的过程
    @Override
    public void process(Object[] args) throws HiveException {
        String input = args[0].toString();

        input = input.replace("\"", "");

        String[] result = input.split(" ");
        //如果解析错误或失败，则返回三个字段内容都是"--"
        if(result.length != 3){
            result[0] = "--";
            result[1] = "--";
            result[2] = "--";
        }
        forward(result);
    } 
}

依照上面的步骤，导出jar包，上传到Linux服务器上。在此不再赘述，其实是攒着另一种上传文件的方式，下次教给大家。

Step 1: add jar “jar-path”
略

Step 2: create function requestparse as ‘包名+类名’

Step 3: 使用该函数

对比我们之前导入的数据

UDAF(user-defined aggregation functions)
“小”需求：
求出最大的流量值

要点：
1.继承自”org.apache.hadoop.hive.ql.exec.UDAF”;
2.自定义的内部类要实现接口”org.apache.hadoop.hive.ql.exec.UDAFEvaluator”;
3.要实现iterate()、terminatePartial()、merge()、terminate()四个方法。

*JAVA代码
package com.hadoop.hivetest.udf;

import org.apache.hadoop.hive.ql.exec.UDAF;
import org.apache.hadoop.hive.ql.exec.UDAFEvaluator;
import org.apache.hadoop.io.IntWritable;

@SuppressWarnings("deprecation")
public class MaxFlowUDAF extends UDAF {

    public static class MaxNumberUDAFEvaluator implements UDAFEvaluator{
        private IntWritable result;
        public void init() {
            result = null;
        }

        //聚合的多行中每行的被聚合的值都会被调用interate方法，所以这个方法里面我们来定义聚合规则
        public boolean iterate(IntWritable value){
            if(value == null){
                return false;
            }
            if(result == null){
                result = new IntWritable(value.get());
            }else{
                //需求是求出流量最大值，在这里进行流量的比较，将最大值放入result
                result.set(Math.max(result.get(), value.get()));
            }
            return true;
        }

        //hive需要部分聚合结果时会调用该方法，返回当前的result作为hive取部分聚合值得结果
        public IntWritable terminatePartial(){
            return result;
        }

        //聚合值，新行未被处理的值会调用merge加入聚合，这里直接调用上面定义的聚合规则方法iterate
        public boolean merge(IntWritable other){
            return iterate(other);
        }

        //hive需要最后总聚合结果时调用的方法，返回聚合的最终结果
        public IntWritable terminate(){
            return result;
        }
    }
}

导出jar包，上传到Linux服务器…

Step 1: add jar ‘jar-path’
略

Step 2: create function maxflow as ‘包名+类名’

Step 3: 使用该函数

于是此时，hive便会将sql语句转换为mapreduce任务去执行了。

当我们创建函数之后，得出的结果却不是想要的结果的时候，我们将Java代码修改之后，重新打了包上传过来，也重新加到了hive的classpath中，但是新创建出来的函数得出的结果跟修改之前的一样。这个因为新修改过后的类名与之前的类名重复了，在当前session中会优先以之前的来创建函数。此时有两种办法解决，一是断开当前的连接，重新使用beeline客户端登陆一次，还有就是将修改后的Java类改一个名称，重新导入，使用新的Java类来创建函数。

当然，这些才都只是 UDF 的小皮毛，我们可以发现，通过自定义函数，我们可以省去写很多sql，并且通过使用api，我们可以更随意的操作数据库里的字段，实现多种计算和统计。