`
xiaofengxbf
  • 浏览: 19012 次
  • 性别: Icon_minigender_1
  • 来自: 广州
社区版块
存档分类
最新评论

hive中UDF、UDAF和UDTF使用

    博客分类:
  • hive
阅读更多

Hive进行UDF开发十分简单,此处所说UDF为Temporary的function,所以需要hive版本在0.4.0以上才可以。

 

一、背景:Hive是基于Hadoop中的MapReduce,提供HQL查询的数据仓库。Hive是一个很开放的系统,很多内容都支持用户定制,包括:

a)文件格式:Text File,Sequence File

b)内存中的数据格式: Java Integer/String, Hadoop IntWritable/Text

c)用户提供的 map/reduce 脚本:不管什么语言,利用 stdin/stdout 传输数据

d)用户自定义函数: Substr, Trim, 1 – 1

e)用户自定义聚合函数: Sum, Average…… n – 1

 

2、定义:UDF(User-Defined-Function),用户自定义函数对数据进行处理。

 

二、用法

1、UDF函数可以直接应用于select语句,对查询结构做格式化处理后,再输出内容。

2、编写UDF函数的时候需要注意一下几点:

a)自定义UDF需要继承org.apache.hadoop.hive.ql.UDF。

b)需要实现evaluate函。

c)evaluate函数支持重载。

 

3、以下是两个数求和函数的UDF。evaluate函数代表两个整型数据相加,两个浮点型数据相加,可变长数据相加

    Hive的UDF开发只需要重构UDF类的evaluate函数即可。例:

package hive.connect; 

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

public final class Add extends UDF { 

public Integer evaluate(Integer a, Integer b) { 

               if (null == a || null == b) { 

                               return null; 

               } return a + b; 

} 

public Double evaluate(Double a, Double b) { 

               if (a == null || b == null) 

                               return null; 

                               return a + b; 

               } 

public Integer evaluate(Integer... a) { 

               int total = 0; 

               for (int i = 0; i < a.length; i++) 

                               if (a[i] != null) 

                                              total += a[i]; 

                                              return total; 

                               } 

}

 

4、步骤

 

a)把程序打包放到目标机器上去;

 

b)进入hive客户端,添加jar包:hive>add jar /run/jar/udf_test.jar;

 

c)创建临时函数:hive>CREATE TEMPORARY FUNCTION add_example AS 'hive.udf.Add';

 

d)查询HQL语句:

 

SELECT add_example(8, 9) FROM scores;

 

SELECT add_example(scores.math, scores.art) FROM scores;

 

SELECT add_example(6, 7, 8, 6.8) FROM scores;

 

e)销毁临时函数:hive> DROP TEMPORARY FUNCTION add_example;

 

5、细节在使用UDF的时候,会自动进行类型转换,例如:

 

SELECT add_example(8,9.1) FROM scores;

 

注:

 

1.   UDF只能实现一进一出的操作,如果需要实现多进一出,则需要实现UDAF

 

(二)、UDAF

 

1、Hive查询数据时,有些聚类函数在HQL没有自带,需要用户自定义实现。

 

2、用户自定义聚合函数: Sum, Average…… n – 1

 

UDAF(User- Defined Aggregation Funcation)

 

一、用法

 

1、一下两个包是必须的import org.apache.hadoop.hive.ql.exec.UDAF和 org.apache.hadoop.hive.ql.exec.UDAFEvaluator。

 

2、函数类需要继承UDAF类,内部类Evaluator实UDAFEvaluator接口。

 

3、Evaluator需要实现 init、iterate、terminatePartial、merge、terminate这几个函数。

 

a)init函数实现接口UDAFEvaluator的init函数。

 

b)iterate接收传入的参数,并进行内部的轮转。其返回类型为boolean。

 

c)terminatePartial无参数,其为iterate函数轮转结束后,返回轮转数据,terminatePartial类似于hadoop的Combiner。

 

d)merge接收terminatePartial的返回结果,进行数据merge操作,其返回类型为boolean。

 

e)terminate返回最终的聚集函数结果。

 

package hive.udaf; 

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

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

public class Avg extends UDAF { 

         public static class AvgState { 

         private long mCount; 

         private double mSum; 

} 

public static class AvgEvaluator implements UDAFEvaluator { 

         AvgState state; 

         public AvgEvaluator() { 

                   super(); 

                   state = new AvgState(); 

                   init(); 

} 

/** * init函数类似于构造函数,用于UDAF的初始化 */ 

public void init() { 

         state.mSum = 0; 

         state.mCount = 0;

} 

/** * iterate接收传入的参数,并进行内部的轮转。其返回类型为boolean * * @param o * @return */ 

public boolean iterate(Double o) { 

         if (o != null) { 

                   state.mSum += o; 

                   state.mCount++; 

         } return true; 

} 

/** * terminatePartial无参数,其为iterate函数轮转结束后,返回轮转数据, * terminatePartial类似于hadoop的Combiner * * @return */ 

public AvgState terminatePartial() {

         // combiner 

         return state.mCount == 0 ? null : state; 

} 

/** * merge接收terminatePartial的返回结果,进行数据merge操作,其返回类型为boolean * * @param o * @return */ 

public boolean terminatePartial(Double o) {                 

         if (o != null) { 

                   state.mCount += o.mCount; 

                   state.mSum += o.mSum; 

         } 

         return true; 

} 

/** * terminate返回最终的聚集函数结果 * * @return */ 

public Double terminate() { 

         return state.mCount == 0 ? null : Double.valueOf(state.mSum / state.mCount); 

} 

} 

 

 

5、执行求平均数函数的步骤

 

a)将java文件编译成Avg_test.jar。

 

b)进入hive客户端添加jar包:

 

hive>add jar /run/jar/Avg_test.jar。

 

c)创建临时函数:

 

hive>create temporary function avg_test 'hive.udaf.Avg';

 

d)查询语句:

 

hive>select avg_test(scores.math) from scores;

 

e)销毁临时函数:

 

hive>drop temporary function avg_test;

 

五、总结

 

1、重载evaluate函数。

 

2、UDF函数中参数类型可以为Writable,也可为java中的基本数据对象。

 

3、UDF支持变长的参数。

 

4、Hive支持隐式类型转换。

 

5、客户端退出时,创建的临时函数自动销毁。

 

6、evaluate函数必须要返回类型值,空的话返回null,不能为void类型。

 

7、UDF是基于单条记录的列进行的计算操作,而UDFA则是用户自定义的聚类函数,是基于表的所有记录进行的计算操作。

 

8、UDF和UDAF都可以重载。

 

9、查看函数

 

SHOW FUNCTIONS;

 

UDTF介绍

UDTF(User-Defined Table-Generating Functions)  用来解决 输入一行输出多行(On-to-many maping) 的需求。

 

2. 编写自己需要的UDTF

 


继承org.apache.hadoop.hive.ql.udf.generic.GenericUDTF。
实现initialize, process, close三个方法
UDTF首先会调用initialize方法,此方法返回UDTF的返回行的信息(返回个数,类型)。初始化完成后,会调用process方法,对传入的参数进行处理,可以通过forword()方法把结果返回。最后close()方法调用,对需要清理的方法进行清理。

 

下面是一个用来切分”key:value;key:value;”这种字符串,返回结果为key, value两个字段。供参考:

 

import java.util.ArrayList;
   
    import org.apache.hadoop.hive.ql.udf.generic.GenericUDTF;
    import org.apache.hadoop.hive.ql.exec.UDFArgumentException;
    import org.apache.hadoop.hive.ql.exec.UDFArgumentLengthException;
    import org.apache.hadoop.hive.ql.metadata.HiveException;
    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 ExplodeMap extends GenericUDTF{
         @Override
       public void close() throws HiveException {
           // TODO Auto-generated method stub    
       }
         @Override
       public StructObjectInspector initialize(ObjectInspector[] args)
               throws UDFArgumentException {
           if (args.length != 1) {
               throw new UDFArgumentLengthException("ExplodeMap takes only one argument");
           }
           if (args[0].getCategory() != ObjectInspector.Category.PRIMITIVE) {
               throw new UDFArgumentException("ExplodeMap takes string as a parameter");
           }
             ArrayList<String> fieldNames = new ArrayList<String>();
           ArrayList<ObjectInspector> fieldOIs = new ArrayList<ObjectInspector>();
           fieldNames.add("col1");
           fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);
           fieldNames.add("col2");
           fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);
             return ObjectInspectorFactory.getStandardStructObjectInspector(fieldNames,fieldOIs);
       }
  
      @Override
       public void process(Object[] args) throws HiveException {
           String input = args[0].toString();
           String[] test = input.split(";");
           for(int i=0; i<test.length; i++) {
               try {
                   String[] result = test[i].split(":");
                   forward(result);
               } catch (Exception e) {
                  continue;
              }
         }
       }
   }

 

 

3. 使用方法

 


 

 

UDTF有两种使用方法,一种直接放到select后面,一种和lateral view一起使用。

 

1:直接select中使用:select explode_map(properties) as (col1,col2) from src;

 


不可以添加其他字段使用:select a, explode_map(properties) as (col1,col2) from src
不可以嵌套调用:select explode_map(explode_map(properties)) from src
不可以和group by/cluster by/distribute by/sort by一起使用:select explode_map(properties) as (col1,col2) from src group by col1, col2

 

2:和lateral view一起使用:select src.id, mytable.col1, mytable.col2 from src lateral view explode_map(properties) mytable as col1, col2;

 


此方法更为方便日常使用。执行过程相当于单独执行了两次抽取,然后union到一个表里。

分享到:
评论

相关推荐

    hive UDF需要jar包

    这些函数可以是单行输入单行输出的UDF,多行输入单行输出的UDF(UDAF,User Defined Aggregation Function),或者多行输入多行输出的UDTF(User Defined Table Generating Function)。 2. **Java编程**: Hive ...

    Hive的Udf函数进行数据脱敏

    在Hive中,UDF分为三种类型:UDF(单行函数)、UDAF(累积聚合函数)和UDTF(多行转换函数)。在这里,我们只需要UDF,因为它适用于处理单行数据。 1. **编写Java类**: 要创建一个UDF,你需要编写一个Java类,该...

    dataiku hive udf

    Hive UDF分为三种主要类别:UDF(User Defined Scalar Functions),UDAF(User Defined Aggregate Functions),以及UDTF(User Defined Table Generating Functions)。UDF处理单行输入并返回单行输出,如字符串...

    Hive_UDF.rar_hive_sqoop

    Hive 支持多种类型的 UDF,包括普通函数(UDF)、聚合函数(UDAF)和表生成函数(UDTF)。UDF 允许用户扩展 Hive 的功能,处理特定的数据转换和计算任务。例如,你可以创建一个 UDF 来处理文本,如分词、去除停用词...

    HIve UDF 说明书

    综上所述,Hive UDF说明书详细介绍了如何在Hive中使用和创建UDF。它不仅覆盖了Hive的内置操作符和函数,而且提供了创建和使用自定义UDF的深入指南,对于任何希望深入学习和使用Hive进行大数据处理和分析的开发者来说...

    mustached-hive-udfs:一些有用的 Hive UDF 和 UDAF

    这是一些有用的 Hive UDF 和 UDAF 的集合。 提供的功能 UDAF Mode ( de.frosner.hive.udaf.Mode ) - 计算组列的统计模式 从源头构建 git clone https://github.com/FRosner/mustached-hive-udfs.git cd mustached...

    hive按月份加减udf范例

    Hive的UDF可以分为三类:UDF(单行)、UDAF(多行,聚合)和UDTF(多行到多行)。在这个例子中,我们讨论的是UDF,因为它处理单行数据。 在压缩包文件名`addmonth`中,我们可以猜测这个文件可能包含了实现月份加法...

    hive-exec-udf

    本文将详细探讨Hive执行机制以及UDF的使用和开发。 一、Hive执行引擎 Hive执行引擎负责解析用户的HQL语句,将其转化为一系列的MapReduce任务进行执行。这个过程包括以下几个步骤: 1. **语法解析**:Hive解析器将...

    自定义hive函数

    Hive 的灵活性之一在于支持用户自定义函数(UDF),包括用户定义的单行函数(UDF)、用户定义的多行函数(UDAF)和用户定义的表函数(UDTF)。这些自定义函数允许开发者扩展Hive的功能,以满足特定的业务需求。 ...

    hive-udf-collections:Hive 用户定义函数 (UDF) 集合

    在大数据处理领域,Hive 是一个非常重要的工具,它提供了SQL-like 的接口来查询和管理大规模数据集。而用户定义函数(User Defined ...理解如何使用和开发 Hive UDF,对于提升大数据分析的效率和质量至关重要。

    apache-hive-2.1.1-src

    5. **Hive的存储过程(UDF、UDAF、UDTF)**:Hive提供了用户自定义函数(UDF)、用户自定义聚合函数(UDAF)和用户自定义表生成函数(UDTF),允许用户扩展Hive的功能,实现复杂的数据处理逻辑。 6. **Hive的优化**...

    设计开发 Hive 编程指南 完整版

    8. **Hive 的扩展性**:Hive 可以通过添加新的 SerDe(序列化/反序列化库)支持不同格式的数据,通过 Hive UDF、UDAF 和 UDTF 实现自定义功能,以适应特定的业务需求。 9. **Hive 的安全性**:Hive 支持角色基础的...

    Apache Hive Functions Cheat Sheet

    在Hive中开发UDF,需要继承自org.apache.hadoop.hive.ql.exec.UDF类,并使用@Description注解来提供关于UDF的简要描述和扩展描述。UDF的实例化和evaluate方法需要根据输入数据类型进行定义。如果需要创建更通用的UDF...

    深入浅出学习HIVE.pdf

    Hive高级编程包括UDF、UDAF和UDTF,分别代表用户定义函数、用户定义聚合函数和用户定义表生成函数。HiveJDBC是Java数据库连接接口,用于连接和操作Hive数据。 Hive参数包括配置参数和执行命令参数。Hive优化涉及...

    hive-udf-tools:hive udf 部署工具,开发工具...

    hive-udf-hook UDF开发及发布过程 1 用户编写UDF实现类 2 编写完成后,在UDFHooks类中调用相关注册函数: 调用 FunctionRegistry.registerUDF 注册udf 调用 FunctionRegistry.registerUDAF 注册udaf 调用...

    apache-hive-2.3.9-bin.tar大数据HIVE.zip

    6. **存储过程(UDF,UDAF,UDTF)**:Hive支持用户自定义函数(UDF),用户定义聚合函数(UDAF)和用户定义表生成函数(UDTF),允许扩展Hive的功能。 7. **连接Hadoop生态系统**:Hive与Hadoop生态系统的其他组件...

    Hive收集的电子文档

    7. **存储过程(UDF/UDAF/UDTF)**:Hive支持用户自定义函数,包括UDF(单行函数)、UDAF(聚合函数)和UDTF(多行函数),以扩展其功能。 8. **Hive与MapReduce的关系**:Hive将HQL转换为一系列的MapReduce任务...

    programming_hive-master.zip

    6. **Hive的存储过程(UDF, UDAF, UDTF)**:用户定义的函数(UDF)、用户定义的聚合函数(UDAF)和用户定义的表函数(UDTF)扩展了Hive的功能,允许用户自定义处理逻辑。 7. **Hive与MapReduce的关系**:Hive查询会...

    hive:个人配置单元 UDAF

    个人 Hive UDAF 有一堆 Hive UDAF(用户定义的聚合函数)不在标准 Hive 分布中,因为它们可能会导致大型数据集的 OOM。 要使用它们,您需要加载 jar 文件,然后为每个要使用的函数创建一个临时函数: ADD JAR target...

    大数据面试题目.docx

    13. Hive 中 UDF、UDAF、UDTF 函数的作用分别是:UDF 是用户定义函数,用于处理单个数据行;UDAF 是聚集函数,用于处理多个数据行;UDTF 是用户定义表函数,用于处理多个数据行并生成多个输出数据行。

Global site tag (gtag.js) - Google Analytics