Hadoop数据分析平台实战——140Hive函数以及自定义函数讲解

离线数据分析平台实战——140Hive函数以及自定义函数讲解

Hive函数介绍

HQL内嵌函数只有195个函数(包括操作符，使用命令show functions查看)，基本能够胜任基本的hive开发，但是当有较为复杂的需求的时候，可能需要进行定制的HQL函数开发。
HQL支持三种方式来进行功能的扩展(只支持使用java编写实现自定义函数)，分别是：UDF(User-Defined Function)、UDAF(User-Defined Aggregate Function)和UDTF(User-Defined Table-Generating Function)。
当我们使用java语言进行开发完成后，将生成的jar包移到linux机器(hive机器)上,进行函数的创建，然后进行使用即可。

函数创建命令

HQL函数的创建一般分为以下几步：

1. 添加jar(0.13.*不支持hdfs上的jar添加，14版本才开始支持)
   add jar linux_jar_path
2. 创建function，语法规则如下：
   create [temporary] function [dbname.]function_name AS class_name;
3. 使用function，和使用其他函数一样。

函数删除命令

我们可以通过drop命令删除自定义函数，语法规则如下：
drop [temporary] function [if exists] [dbname.]function_name;

自定义UDF介绍

UDF(User-Defined Function)支持一个输入产生一个输出，是一个最常用的自定义函数类型。
实现自定义UDF要求继承类org.apache.hadoop.hive.ql.exec.UDF，并且在自定义UDF类中重载实现evaluate方法，我们可以通过重载多个evaluate方法达到函数参数多样化的需求。
实现案例：
实现一个大小写转换的函数，要求函数通过参数的不同决定是进行那种转换，默认是转换为小写。

UDAF介绍

UDAF(User-Defined Aggregate Function)支持多个输入，一个输出。
在原来的版本中可以通过继承UDAF类来实现自定义UDAF，但是现在hive已经将这个类标注为弃用状态。
现在一般通过继承AbstractGenericUDAFResolver类来实现自定义UDAF，通过这种方式要求实现自定义的GenericUDAFEvaluator。
也就是说在现在的hive版本中，实现自定义UDAF，那么需要实现两个类，分别是AbstractGenericUDAFResolver和GenericUDAFEvaluator。

AbstractGenericUDAFResolver介绍

AbstractGenericUDAFResolver类主要作用就是根据hql调用时候的函数参数来获取具体的GenericUDAFEvaluator实例对象，也就是说实现方法getEvaluator即可,该方法的主要作用就是根据参数的不同返回不同的evaluator实例对象，实现多态性。

GenericUDAFEvaluator介绍

GenericUDAFEvaluator类主要作用就是根据job的不同阶段执行不同的方法。
hive通过GenericUDAFEvaluator.Model来确定job的执行阶段。
PARTIAL1：从原始数据到部分聚合，会调用方法iterate和terminatePartial方法；
PARTIAL2：从部分数据聚合和部分数据聚合，会调用方法merge和terminatePartial；
FINAL：从部分数据聚合到全部数据聚合，会调用方法merge和terminate；
COMPLETE：从原始数据到全部数据聚合，会调用方法iterate和terminate。
除了上面提到的iterate、merge、terminate和terminatePartial以外，还有init(初始化并返回返回值的类型)、getNewAggregationBuffer(获取新的buffer对象，也就是方法之间传递参数的对象)，reset(重置buffer对象)。

UDAF案例

实现一个自定义的sum函数。要求函数支持整形和浮点型的sum操作。

UDTF介绍

UDTF(User-Defined Table-Generating Function)支持一个输入多个输出。
一般用于解析工作，比如说解析url，然后获取url中的信息。要求继承类org.apache.hadoop.hive.ql.udf.generic.GenericUDTF，
实现方法：
initialize(返回返回值的参数类型)、process具体的处理方法，一般在这个方法中会调用父类的forward方法进行数据的写出、close关闭资源方法，最终会调用close方法，同MR程序中的cleanUp方法。

实现功能：解析爬虫数据，从数据中读取产品id、产品名称、价格。

常用的三种集成自定义函数的方式

首先要求创建的function是永久function，不能是临时function。

第一种：修改hive-site.xml文件，添加参数hive.aux.jars.path，value为jar包的linux本地路径，要求是以file:///开头的绝对路径。
第二种：直接将jar包移动到hive的lib文件夹中。
第三种：将jar包移动到hdfs上，然后在创建function的时候指定function使用的hdfs上的jar文件绝对路径(包括hdfs://hh:8020/前缀)，这样在使用的时候，hive会自动将jar下载到本地进行缓存的。

另外一种hive集成自定义函数的方式

我们可以通过修改hive的源码，进行自定义函数的添加，添加完成后，我们就不需要再手动创建函数。添加步骤如下：

1. 假设自定义函数的整个包名为com.beifeng.ql.udf.UDFTest, jar文件为beifengUserUDF.jar。将该jar包移动到hive的lib文件夹中。
2. 修改hive源文件$HIVE_HOME/src/ql/src/java/org/apache/hadoop/hive/ql/exec/FunctionRegistry.java，添加import com.beifeng.ql.udf.UDFTest; registerUDF("test", UDFTest.class,false);
3. 编译hive后，进行jar包的替换，然后就可以使用函数了。