pig自定义UDF

GMV(一定时间内的成交总额)是一个衡量电商网站营业收入的一项重要指标，例如淘宝，京东都有这样的衡量标准，感兴趣的朋友可以自己科普下这方面的概念知识。

当然散仙今天，并不是来解释概念的，而是记录下最近工作的一些东西，原来我们平台的GMV只有一个总的成交金额，并没有细分到各个系统的GMV的比重，比如搜索端，推荐端，移动端等等。

通过细粒度的分析各个系统所占的比重，对于指导各个系统完善和发展有一定的重要意义，这里不就深说了，下面先来看下散仙分析的搜索gmv的数据布局方式。


（1）Hadoop集群上，存储了一些非核心的数据，比如访问数据，点击数据，购物车数据，下单数据（这个是从数据库里每天同步到HDFS上的，算是备份吧）
（2）Oracle数据库中，存储了订单信息，交易信息，商品信息，支付信息等一些电商的核心数据

其实关于gmv的计算方式，在我们oracle库里，以及有一个存储过程封装了复杂的细节的处理，包括运费，折扣，不同国家，不同地域，信用用户，等等，在使用时候，只需要传入一个订单编号即可，计算出本单的gmv成交金额。


这样以来的，按照目前的数据情况，订单编号是从Hadoop集群上，一直是从搜索，点击，添加购物车，下单计算出来的，然后获取的对应的订单编号，注意这个过程中，是需要全程去爬虫数据的，因为还要算最终的GMV成交额，所以需要找到一定时期内的订单号，然后通过调用在oracle库的封装好的函数，计算出gmv，这样以来，就能够比较细跟踪各个阶段运行轨迹和成交额。

ok，业务上的分析大致如此，下面就看下，技术上如何实现，其实就是需要Pig的一个自定义UDF函数，在遍历每一行的recoder时，去查询oracle只读库，获取gmv的值，并将最终结果存储起来，以图形化方式展示。

Pig里面对UDF函数非常丰富，比较常用的是转化函数和加载存储函数，这一点在Hive里，也是如此，之前的文章中，散仙介绍过，通过自定义UDF将pig分析的结果直接存储到数据库或索引中，便于检索和发挥不同框架之间的组合优势。

核心代码如下：

package com.pig.dhgate.getgvmbyrfxno;

import java.io.IOException;

import org.apache.pig.EvalFunc;
import org.apache.pig.data.Tuple;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
/**
 * 自定义Pig UDF实现查询db计算gmv
 * **/
public class GetGmvByRfxno extends EvalFunc<Double> {
    /**日志对象*/
    static Logger log =LoggerFactory.getLogger(GetGmvByRfxno.class);
    /**数据库工具类*/
    DBTools dbtools=new DBTools();

    @Override
    public Double exec(Tuple input) throws IOException {

        if(input!=null&&input.size()!=0){
            //获取传入的订单号
            String rfxno =(String)input.get(0);
            //通过db类，查询对应的gmv并返回
            double gmv=dbtools.getGmvByRfxno(rfxno);
            return gmv;
        }else{
            //对null，空值，一律按0处理
            return 0.00;
        }
    }
}

package com.pig.dhgate.getgvmbyrfxno;

import java.io.IOException;

import org.apache.pig.EvalFunc;
import org.apache.pig.data.Tuple;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
/**
 * 自定义Pig UDF实现查询db计算gmv
 * **/
public class GetGmvByRfxno extends EvalFunc<Double> {
	/**日志对象*/
	static Logger log =LoggerFactory.getLogger(GetGmvByRfxno.class);
	/**数据库工具类*/
	DBTools dbtools=new DBTools();
	
	@Override
	public Double exec(Tuple input) throws IOException {
		
		if(input!=null&&input.size()!=0){
			//获取传入的订单号
			String rfxno =(String)input.get(0);
			//通过db类，查询对应的gmv并返回
			double gmv=dbtools.getGmvByRfxno(rfxno);
			return gmv;
		}else{
			//对null，空值，一律按0处理
			return 0.00;
		}
	}
}

数据库封装类：

/***
 * 数据库工具类
 * */
public class DBTools {

    /**日志对象*/
    static Logger log =LoggerFactory.getLogger(DBTools.class);


    private  static  Connection conn;
    private  static PreparedStatement ps;
    private   ResultSet rs;
    //从虚拟表查询函数
    private static  String  sql="select datasql.GETGMV(?) as gmv  from dual ";
    static{
        try{
        Class.forName("oracle.jdbc.driver.OracleDriver");
        conn = DriverManager.getConnection("jdbc:oracle:thin:@ip地址:1521:数据库名", "用户名", "密码");
        System.out.println("数据库连接："+conn);
        ps=conn.prepareStatement(sql);
        }catch(Exception e){
            log.error("初始化oracle驱动异常!", e);
        }
    }

    /**根据一个rfxno获取对应的产品的gmv
     * **/
    public double getGmvByRfxno(String rfxno){
        try{
        ps.setString(1, rfxno);
        rs = ps.executeQuery();
        if(rs.next()){
            double gmv=rs.getDouble("gmv");
//          System.out.println("gmv是：  "+gmv);
            return gmv;
        }
        rs.close();
        }catch(Exception e){
            log.error("根据rfxno获取gmv出错!",e);
        }
        return 0.0;
    }
    }

/***
 * 数据库工具类
 * */
public class DBTools {
	
	/**日志对象*/
	static Logger log =LoggerFactory.getLogger(DBTools.class);
	
	
	private  static  Connection conn;
	private  static PreparedStatement ps;
	private   ResultSet rs;
	//从虚拟表查询函数
	private static  String  sql="select datasql.GETGMV(?) as gmv  from dual ";
	static{
		try{
		Class.forName("oracle.jdbc.driver.OracleDriver");
		conn = DriverManager.getConnection("jdbc:oracle:thin:@ip地址:1521:数据库名", "用户名", "密码");
		System.out.println("数据库连接："+conn);
		ps=conn.prepareStatement(sql);
		}catch(Exception e){
			log.error("初始化oracle驱动异常!", e);
		}
	}
	
	/**根据一个rfxno获取对应的产品的gmv
	 * **/
	public double getGmvByRfxno(String rfxno){
		try{
		ps.setString(1, rfxno);
		rs = ps.executeQuery();
		if(rs.next()){
			double gmv=rs.getDouble("gmv");
//			System.out.println("gmv是：  "+gmv);
			return gmv;
		}
		rs.close();
		}catch(Exception e){
			log.error("根据rfxno获取gmv出错!",e);
		}
		return 0.0;
	}
	}

其实，代码还是比较简单的，在这里，你可以从任何数据源获取需要的数据，而不仅仅是数据库，你也可以从redis，memcache，文件，xml，等等里获取需要组合用的数据。

遇到一个异常：在sql语句后面，不用加分号，类似下面的这样的语句，通过jdbc编译然后调用oracle是不通过的：

select datasql.GETGMV(?) as gmv  from dual;

select datasql.GETGMV(?) as gmv  from dual;

这一点需要注意下。

最后来看下如下在pig脚本里，使用自定义的函数：
（1）使用ant打包自定义的udf函数的jar
（2）在pig脚本里，注册相关的jar包，注意如果有依赖关系，依赖的jar包，也需要注册，例如本例中的oracle的jdbc的驱动包
（3）在对应的地方，通过类的全路径名，引用此函数，完成对应的查询转换，并将新得到的一个字段，作为原始一行记录的字段扩充。

脚本如下：

--注册依赖的jar包
register /home/search/dongliang/nsconvent/checklist/ojdbc.jar
register /home/search/dongliang/nsconvent/checklist/tools.jar


--加载原有数据
m = load '/tmp/mdm/VW_TD_RFX' using PigStorage('\\x07');
--加载原有数据
n = load '/tmp/mdm/TD_RFX_PRODUCT' using PigStorage('\\x07');

--过滤出符合时间的数据

m= filter m by ToMilliSeconds(ToDate($3,'yyyy-MM-dd HH:mm:ss')) >= ToMilliSeconds(ToDate('$day 00:00:00','yyyy-MM-dd HH:mm:ss')) and ToMilliSeconds(ToDate($3
,'yyyy-MM-dd HH:mm:ss')) <= ToMilliSeconds(ToDate('$day 23:59:59','yyyy-MM-dd HH:mm:ss'))  ;

--提取相关字段，并完成计算
m = foreach m generate $0 as arfid, $1 as rfxno , com.pig.dhgate.getgvmbyrfxno.GetGmvByRfxno((chararray)$1) as gmv  , $4 as bid ;
--获取topN数据
m = limit m 10 ;
--打印输出
dump m;