09-天亮大数据系列教程之hive之udf/udaf/udtf

目录
1、udf
2、udaf
3、udtf
4、练习题

详情
1、udf(user defined function)

• 背景

  • 系统内置函数无法解决实际的业务问题，需要开发者自己编写函数实现自身的业务实现诉求。
  • 应用场景非常多，面临的业务不同导致个性化实现很多，故udf很需要。

• 意义

  • 函数扩展得到解决，极大丰富了可定制化的业务需求。
  • IO要求-要解决的问题
    
    • in:out=1:1,只能输入一条记录当中的数据，同时返回一条处理结果。
    • 属于最常见的自定义函数，像cos,sin,substring,indexof等均是如此要求

  • 实现步骤(Java创建自定义UDF类)

    • 自定义一个java类
    • 继承UDF类
    • 重写evaluate方法
    • 打包类所在项目成一个all-in-one的jar包并上传到hive所在机器
    • 在hive中执行add jar操作，将jar加载到classpath中。
    • 在hive中创建模板函数，使得后边可以使用该函数名称调用实际的udf函数
    • hive sql中像调用系统函数一样使用udf函数

  • 代码实现

    • 功能要求：实现当输入字符串超过2个字符的时候，多余的字符以”…”来表示。
      
      • 如“12”则返回“12”，如“123”返回“12…”
    • 自定义类、继承UDF、重写evaluate方法已在代码中体现

package com.tianliangedu.hive.udf;
import org.apache.hadoop.hive.ql.exec.UDF;
/*
 * 功能：实现当输入字符串超过2个字符的时候，多余的字符以"..."来表示。
 * 输入/输出：* 如“12”则返回“12”，如“123”返回“12..."
 */
public class ValueMaskUDF extends UDF{
       public String evaluate(String input,int maxSaveStringLength,String replaceSign) {
             if(input.length()<=maxSaveStringLength){
                    return input;
             }
             return input.substring(0,maxSaveStringLength)+replaceSign;
       }
       public static void main(String[] args) {
             System.out.println(new ValueMaskUDF().evaluate("河北省",2,"..."));;
       }
}

• 布署步骤

  • 打包并上传

    • 均采用maven管理打包的方式，maven pom配置项为：

<project xmlns="http://maven.apache.org/POM/4.0.0"; xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance";
       xsi:schemaLocation="http://maven.apache.org/POM/4.0.0http://maven.apache.org/xsd/maven-4.0.0.xsd";>
       <modelVersion>4.0.0modelVersion>
       <groupId>com.tianliangedu.coursegroupId>
       <artifactId>TlHadoopCoreartifactId>
       <version>0.0.1-SNAPSHOTversion>
                        
   <repositories>
        <repository>
           <id>nexus-aliyunid>
           <name>Nexus aliyunname>
 <url>http://maven.aliyun.com/nexus/content/groups/publicurl>
        repository>
   repositories>

       <dependencies>
             
             <dependency>
                    <groupId>org.apache.hadoopgroupId>
                    <artifactId>hadoop-clientartifactId>
                    <version>2.7.4version>
                    <scope>providedscope>
             dependency>

             <dependency>
                    <groupId>org.apache.hivegroupId>
                    <artifactId>hive-cliartifactId>
                    <version>1.2.1version>
                    <scope>providedscope>
             dependency>

       dependencies>
       <build>
             <finalName>TlHadoopCorefinalName>
             <plugins>
                    <plugin>
                          <artifactId>maven-assembly-pluginartifactId>
                          <configuration>
                                 <descriptorRefs>
                                        <descriptorRef>jar-with-dependenciesdescriptorRef>
                                 descriptorRefs>
                          configuration>
                          <executions>
                                 <execution>
                                       <id>make-assemblyid>
                                       <phase>packagephase>
                                       <goals>
                                              <goal>assemblygoal>
                                       goals>
                                 execution>
                          executions>
                    plugin>
                    <plugin>
                          <artifactId>maven-compiler-pluginartifactId>
                          <version>2.3.2version>
                          <configuration>
                                 <source>1.7source>
                                 <target>1.7target>
                                 <encoding>UTF-8encoding>
                          configuration>
                    plugin>
             plugins>
       build>
project>

• maven打包操作

  • 上传jar包至hive操作环境中

    • 进入到自己的所操作的hive环境目录中。

  • rz命令上传至服务器上

  • 加载jar包、声明函数、使用函数

    • 加载jar包

      • 进入到hive cli中（输入hive即可进入）

  • 将jar包加入hive 交互中

    • add jar的shell
      add jar /home/hive/tianliangedu_course/04_udf/TlHadoopCore-jar-with-dependencies.jar;

    • 声明函数
      create temporary function mask as ‘com.tianliangedu.hive.udf.ValueMaskUDF’;

    • 使用函数
      

2、udaf（user defined aggregation function）

• 自定义udaf函数self_count，实现系统udaf count的功能

  • Input/Output要求-要解决的问题

    • in:out=n:1,即接受输入N条记录当中的数据，同时返回一条处理结果。
      
      • 属于最常见的自定义函数，像count,sum,avg,max等均是如此要求

    • 实现步骤

    • 自定义一个java类

    • 继承UDAF类
    • 内部定义一个静态类，实现UDAFEvaluator接口

    • 实现方法init,iterate,terminatePartial,merge,terminate，共5个方法.
      

    • 在hive中执行add jar操作，将jar加载到classpath中。

    • 在hive中创建模板函数，使得后边可以使用该函数名称调用实际的udf函数
    • hive sql中像调用系统函数一样使用udaf函数

    • 代码实现

    • 功能要求：实现与hive原生的count相似的计数功能。

    如select count(1) from tablename 或者select key,count(1) from tablename group by key;

    • 源码

package com.tianliangedu.hive.udaf;
import org.apache.hadoop.hive.ql.exec.UDAF;
import org.apache.hadoop.hive.ql.exec.UDAFEvaluator;
import org.apache.log4j.Logger;
/**
* 自行实现sql的count操作
*/
//主类继承UDAF
public class DIYCountUDAF extends UDAF {  
    //日志对象初始化,使访类有输出日志的能力
    public static Logger logger=Logger.getLogger(DIYCountUDAF.class);

    //静态类实现UDAFEvaluator
    public static class Evaluator implements UDAFEvaluator {  
        //设置成员变量，存储每个统计范围内的总记录数
        private int totalRecords;  
        //初始化函数,map和reduce均会执行该函数,起到初始化所需要的变量的作用
        public Evaluator() {  
            init();  
        }  
        //初始化，初始值为0,并日志记录下相应输出
        public void init() {  
            totalRecords = 0;  
            logger.info("init totalRecords="+totalRecords);
        }  
        //map阶段，返回值为boolean类型，当为true则程序继续执行，当为false则程序退出  
        public boolean iterate(String input) {
            //当input输入不为空的时候，即为有值存在,即为存在1行，故做+1操作
            if (input != null) {  
                totalRecords += 1;  
            }  
            //输出当前组处理到第多少条数据了
            logger.info("iterate totalRecords="+totalRecords);
            return true;  
        }  
        /**
         * 类似于combiner,在map范围内做部分聚合，将结果传给merge函数中的形参mapOutput  
         * 如果需要聚合，则对iterator返回的结果处理，否则直接返回iterator的结果即可
         */
        public int terminatePartial() {  
            logger.info("terminatePartial totalRecords="+totalRecords);
            return totalRecords;  
        }

        // reduce 阶段，用于逐个迭代处理map当中每个不同key对应的 terminatePartial的结果
        public boolean merge(int mapOutput) {  
            totalRecords +=mapOutput;  
            logger.info("merge totalRecords="+totalRecords);
            return true;  
        }  
        //处理merge计算完成后的结果，此时的count在merge完成时候，结果已经得出，无需再进一次对整体结果做处理，故直接返回即可
        public int terminate() {  
            logger.info("terminate totalRecords="+totalRecords);
            return totalRecords;  
        }  
    }  
}    

• 布署步骤

  • 跟udf完全一致

    • 加载jar包、声明函数、使用函数

      上述三步与udf基本一致。
      注意在使用时候是按跟count或sum一样的聚合函数去使用。

    • 加载与声明

    • 使用-全局self count

    • 使用-分组self count

    • 自定义udaf函数，实现多条学生成绩的合并

    • 业务需求

      • 数据输入
        

    • 数据输出
      

    • 代码

package com.tianliangedu.hive.udaf;
import java.util.HashMap;
import java.util.Map;
import java.util.Set;
import org.apache.hadoop.hive.ql.exec.UDAF;
import org.apache.hadoop.hive.ql.exec.UDAFEvaluator;
import org.apache.log4j.Logger;
/**
* 实现多条数据合并成一条数据
*/
// 主类继承UDAF
public class StudentScoreAggUDAF extends UDAF {
    // 日志对象初始化
    public static Logger logger = Logger.getLogger(StudentScoreAggUDAF.class);
    // 静态类实现UDAFEvaluator
    public static class Evaluator implements UDAFEvaluator {
        // 设置成员变量，存储每个统计范围内的总记录数
        private Map courseScoreMap;

        //初始化函数,map和reduce均会执行该函数,起到初始化所需要的变量的作用
        public Evaluator() {
            init();
        }
        // 初始化函数间传递的中间变量
        public void init() {
            courseScoreMap = new HashMap();
        }

         //map阶段，返回值为boolean类型，当为true则程序继续执行，当为false则程序退出  
        public boolean iterate(String course, String score) {
            if (course == null || score == null) {
                return true;
            }
            courseScoreMap.put(course, score);
            return true;
        }
         /**
         * 类似于combiner,在map范围内做部分聚合，将结果传给merge函数中的形参mapOutput  
         * 如果需要聚合，则对iterator返回的结果处理，否则直接返回iterator的结果即可
         */
        public Map terminatePartial() {
            return courseScoreMap;
        }
         // reduce 阶段，用于逐个迭代处理map当中每个不同key对应的 terminatePartial的结果
        public boolean merge(Map mapOutput) {
            this.courseScoreMap.putAll(mapOutput);
            return true;
        }
        // 处理merge计算完成后的结果，即对merge完成后的结果做最后的业务处理
        public String terminate() {
            return courseScoreMap.toString();
        }
    }
}

* 布署过程与之前相同
* 测试脚本

select id,username,score_agg(course,score) from student_score group by id,username;

3、udtf(User-Defined Table-Generating Functions)

• 要解决一行输入多行输出的问题，问题的应用场景不少

  • 用udtf解决一行输入多行输出的不多，往往被lateral view explode+udf等替代实现，比直接用udtf会更简单、直接一些
  • 有兴趣同学可以学习标准的udtf如何写

  • 本节由学员自学实现，如何用lateral view explode+udf替代udtf实现

    • lateral view explode+udf替代udtf应用案例

      • 需求：将一个array类型按列存储的学生成绩表，转变成按行来显示，学生名字超过2个字符的，后边用”…”来代替。
      • 数据准备
        
        • 学生成绩表
          

  • 通过lateral view explode实现行转列

select id,name,score from test_array lateral view explode(score_array) score_table as score;

• 加入udf处理业务需求

select id,mask(name,2,'...'),score from test_array lateral view explode(score_array) score_table as score;

4、练习题
1、实现UDF，实现给定任意明文密码，返回md5加密后32位的密文密码。

• 场景
  
  • 有用户密码表userinfo(id string,username string,password string);当下为空表。
  • 利用动态插入数据insert into方法，
    将数据记录{id:”001”,username:”张三”,明文密码password:”123456”}插入到表userinfo中，
  • 实际效果select * from userinfo的结果如下图，使用户看不到真实的用户密码。

001 张三 XXXXXXXXXXXXXXXXX

2、自定义UDAF名字为self_max，求取给定一整数值列表中的最大值函数max功能。

• 需求说明

  • 数据样例：
    

  • 系统自带的max函数使用

select id,username,max(score) from student_score group by id,username;

3、自定义UDAF名字为self_min，求取给定一整数值列表中的最小值函数min功能。

• 需求说明

  • 数据样例
    

  • 系统自带的min函数使用

select id,username,min(score) from student_score group by id,username;

---

---

---

天亮教育是一家从事Java、Hadoop大数据云计算、Python的教育培训、产品开发、咨询服务、人才优选为一体的综合型互联网科技公司。
公司由一批BAT等一线互联网IT精英人士创建，
以”快乐工作，认真生活，打造高端职业技能教育的一面旗帜”为愿景，
胸怀”让天下没有难找的工作”使命，
坚持”客户第一、诚信、激情、拥抱变化”的价值观，
全心全意为学员赋能提效，践行技术改变命运的初心。
欢迎关注天亮教育公众号，大数据技术资料与课程、招生就业动态、教育资讯动态、创业历程分享一站式分享，官方微信公众号二维码：

更多学习讨论， 请加入
官方爬虫、nlp技术qq群320349384
天亮教育官方群318971238，
hadoop & spark & hive技术群297585251，
官网：myhope365.com
官方天亮论坛:http://bbs.myhope365.com/
天亮教育视频链接：http://pan.baidu.com/s/1jIxI4IU 密码：zqa7