内容简介:作者简介淳敏,物流架构师同时也是一位team leader,工作认真负责,曾在休假期间“面向大海编程”,不明觉厉在Hive中,用户可以自定义一些函数,用于扩展HiveQL的功能。Hive 自定义函数主要包含以下三种:
作者简介
淳敏,物流架构师同时也是一位team leader,工作认真负责,曾在休假期间“面向大海编程”,不明觉厉
在Hive中,用户可以自定义一些函数,用于扩展HiveQL的功能。Hive 自定义函数主要包含以下三种:
- UDF(user-defined function) 单独处理一行,输出也是以行输出。许多Hive内置字符串,数学函数,时间函数都是这种类型。大多数情况下编写对应功能的处理函数就能满足需求。如:concat, split, length ,rand等。这种UDF主要有两种写法:继承实现UDF类和继承GenericUDF类(通用UDF)。
- UDAF(user-defined aggregate function) 用于处理多行数据并形成累加结果。一般配合group by使用。主要用于累加操作,常见的函数有max, min, count, sum,collect_set等。这种UDF主要有两种写法:继承实现 UDAF类和继承实现AbstractGenericUDAFResolver类。
- UDTF(user-defined table function) 处理一行数据产生多行数据或者将一列打成多列。 如explode, 通常配合Lateral View使用,实现列转行的功能。parse_url_tuple将一列转为多列。
Hive的UDF机制是需要用户实现: Resolver
和 Evaluator
,其中 Resolver
就用来处理输入,调用 Evaluator
, Evaluator
就是具体功能的实现。
自定义UDF实现和调用机制
Hadoop提供了一个基础类 org.apache.hadoop.hive.ql.exec.UDF
,在这个类中含有了一个 UDFMethodResolver
的接口实现类 DefaultUDFMethodResolver
的对象。
public class UDF { private UDFMethodResolver rslv; public UDF() { this.rslv = new DefaultUDFMethodResolver(this.getClass()); } ...... } 复制代码
在 DefaultUDFMethodResolver
中,提供了一个 getEvalMethod
的方法,从切面调用 UDF
的 evaluate
方法
public class DefaultUDFMethodResolver implements UDFMethodResolver { private final Class<? extends UDF> udfClass; public DefaultUDFMethodResolver(Class<? extends UDF> udfClass) { this.udfClass = udfClass; } public Method getEvalMethod(List<TypeInfo> argClasses) throws UDFArgumentException { return FunctionRegistry.getMethodInternal(this.udfClass, "evaluate", false, argClasses); } } 复制代码
自定义UDF的实现上以继承 org.apache.hadoop.hive.ql.exec.UDF
为基础,然后实现一个 evaluate
方法,该方法会被 DefaultUDFMethodResolver
对象执行。
Case Study: 判断坐标点是不是在图形中
public class DAIsContainPoint extends UDF { public Boolean evaluate(Double longitude, Double latitude, String geojson) { Boolean isContained = false; try { Polygon polygon = JTSHelper.parse(geojson); Coordinate center = new Coordinate(longitude, latitude); GeometryFactory factory = new GeometryFactory(); Point point = factory.createPoint(center); isContained = polygon.contains(point); }catch (Throwable e){ isContained = false; }finally { return isContained; } } } 复制代码
完成了代码定义之后需要对其进行打包,编译成一个 jar
,注意: 最终的 jar
中需要包含所有依赖的 jar
, maven
编译上推荐使用 maven-shade-plugin
<build> <plugins> <plugin> <groupId>org.apache.maven.plugins</groupId> <artifactId>maven-shade-plugin</artifactId> <version>2.2</version> <executions> <execution> <phase>package</phase> <goals> <goal>shade</goal> </goals> <configuration> <filters> <filter> <artifact>*:*</artifact> <excludes> <exclude>META-INF/*.SF</exclude> <exclude>META-INF/*.DSA</exclude> <exclude>META-INF/*.RSA</exclude> </excludes> </filter> </filters> </configuration> </execution> </executions> </plugin> </plugins> </build> 复制代码
最后产生的 jar
文件需要在HIVE SQL中被引用
add jar hdfs://xxx/udf/ff8bd59f-d0a5-4b13-888b-5af239270869/udf.jar; create temporary function is_in_polygon as 'me.ele.breat.hive.udf.DAIsContainPoint'; select lat, lng, geojson, is_in_polygon(lat, lng, geojson) as is_in from example; 复制代码
自定义UDAF和MapReduce
在Hive的聚合计算中,采用MapReduce的方式来加快聚合的速度,而UDAF就是用来撰写聚合类自定义方法的扩展方式。关于MapReduce需要补充知识的请看这里,为了更好的说明白UDAF我们需要知道一下 MapReduce
的流程
回到Hive中来,在UDAF的实现中,首先需要继承 org.apache.hadoop.hive.ql.udf.generic.AbstractGenericUDAFResolver
,并实现 org.apache.hadoop.hive.ql.udf.generic.GenericUDAFResolver2
接口。然后构造 GenericUDAFEvaluator
类,实现MapReduce的计算过程,其中有3个关键的方法
iterate merge terminate
然后再实现一个继承 AbstractGenericUDAFResolver
的类,重载其 getEvaluator
的方法,返回一个 GenericUDAFEvaluator
的实例
Case Study:合并地理围栏
public class DAJoinV2 extends AbstractGenericUDAFResolver implements GenericUDAFResolver2 { @Override public GenericUDAFEvaluator getEvaluator(GenericUDAFParameterInfo genericUDAFParameterInfo) throws SemanticException { return new DAJoinStringEvaluator(); } public GenericUDAFEvaluator getEvaluator(TypeInfo[] typeInfos) throws SemanticException { if (typeInfos.length != 1) { throw new UDFArgumentTypeException(typeInfos.length - 1, "Exactly one argument is expected."); } if (typeInfos[0].getCategory() != ObjectInspector.Category.PRIMITIVE) { throw new UDFArgumentTypeException(0, "Only primitive type arguments are accepted but " + typeInfos[0].getTypeName() + " is passed."); } switch (((PrimitiveTypeInfo) typeInfos[0]).getPrimitiveCategory()) { case STRING: return new DAJoinStringEvaluator(); default: throw new UDFArgumentTypeException(0, "Only numeric or string type arguments are accepted but " + typeInfos[0].getTypeName() + " is passed."); } } public static class DAJoinStringEvaluator extends GenericUDAFEvaluator { private PrimitiveObjectInspector mInput; private Text mResult; // 存储Geometry join的值的类 static class PolygonAgg implements AggregationBuffer { Geometry geometry; } //定义:UDAF的返回类型,确定了DAJoin自定义UDF的返回类型是Text类型 @Override public ObjectInspector init(Mode m, ObjectInspector[] parameters) throws HiveException { assert (parameters.length == 1); super.init(m, parameters); mResult = new Text(); mInput = (PrimitiveObjectInspector) parameters[0]; return PrimitiveObjectInspectorFactory.writableStringObjectInspector; } //内存创建,用来存储mapper,combiner,reducer运算过程中的相加总和。 public AggregationBuffer getNewAggregationBuffer() throws HiveException { PolygonAgg polygonAgg = new PolygonAgg(); reset(polygonAgg); return polygonAgg; } public void reset(AggregationBuffer aggregationBuffer) throws HiveException { PolygonAgg polygonAgg = (PolygonAgg) aggregationBuffer; GeometryFactory factory = new GeometryFactory(); polygonAgg.geometry = factory.createPolygon(new Coordinate[]{}); } //map阶段:获取每个mapper,去进行merge public void iterate(AggregationBuffer aggregationBuffer, Object[] objects) throws HiveException { assert (objects.length == 1); merge(aggregationBuffer, objects[0]); } //在一个子的partial中combiner合并map返回结果 public Object terminatePartial(AggregationBuffer aggregationBuffer) throws HiveException { return terminate(aggregationBuffer); } //combiner合并map返回结果 public void merge(AggregationBuffer aggregationBuffer, Object partial) throws HiveException { if (partial != null) { try { PolygonAgg polygonAgg = (PolygonAgg) aggregationBuffer; String geoJson = PrimitiveObjectInspectorUtils.getString(partial, mInput); Polygon polygon = JTSHelper.parse(geoJson); polygonAgg.geometry = polygonAgg.geometry.union(polygon); } catch (Exception e){ } } } //reducer合并所有combiner返回结果 public Object terminate(AggregationBuffer aggregationBuffer) throws HiveException { try { PolygonAgg polygonAgg = (PolygonAgg) aggregationBuffer; Geometry buffer = polygonAgg.geometry.buffer(0); mResult.set(JTSHelper.convert2String(buffer.convexHull())); return mResult; }catch (Exception e) { return ""; } } } } 复制代码
打包之后将其用在HIVE SQL中执行
add jar hdfs://xxx/udf/ff8bd59f-d0a5-4b13-888b-5af239270869/udf.jar; create temporary function da_join as 'me.ele.breat.hive.udf.DAJoinV2'; create table udaf_example as select id, da_join(da_range) as da_union_polygon from example group by id 复制代码
自定义UDTF
在UDTF的实现中,首先需要继承 org.apache.hadoop.hive.ql.udf.generic.GenericUDTF
,实现 process
, initialize
和 close
方法
-
initialize
返回StructObjectInspector对象,决定最后输出的column的名称和类型 -
process
是对每一个输入record进行处理,产生出一个新数组,传递到forward
方法中进行处理 -
close
关闭整个调用的回调处,清理内存
Case Study: 输入Polygon转成一组S2Cell
public class S2SimpleRegionCoverV2 extends GenericUDTF { private final static int LEVEL = 16; @Override public StructObjectInspector initialize(ObjectInspector[] argOIs) throws UDFArgumentException { List<String> structFieldNames = Lists.newArrayList("s2cellid"); List<ObjectInspector> structFieldObjectInspectors = Lists.<ObjectInspector>newArrayList( PrimitiveObjectInspectorFactory.javaLongObjectInspector); return ObjectInspectorFactory .getStandardStructObjectInspector(structFieldNames, structFieldObjectInspectors); } @Override public void process(Object[] objects) throws HiveException { String json = String.valueOf(objects[0]); List<Long> s2cellids = toS2CellIds(json); for (Long s2cellid: s2cellids){ forward(new Long[]{s2cellid}); } } public static List<Long> toS2CellIds(String json) { GeometryFactory factory = new GeometryFactory(); GeoJsonReader reader = new GeoJsonReader(); Geometry geometry = null; try { geometry = reader.read(json); } catch (ParseException e) { geometry = factory.createPolygon(new Coordinate[]{}); } List<S2Point> polygonS2Point = new ArrayList<S2Point>(); for (Coordinate coordinate : geometry.getCoordinates()) { S2LatLng s2LatLng = S2LatLng.fromDegrees(coordinate.y, coordinate.x); polygonS2Point.add(s2LatLng.toPoint()); } List<S2Point> points = polygonS2Point; if (points.size() == 0) { return Lists.newArrayList(); } ArrayList<S2CellId> result = new ArrayList<S2CellId>(); S2RegionCoverer .getSimpleCovering(new S2Polygon(new S2Loop(points)), points.get(0), LEVEL, result); List<Long> output = new ArrayList<Long>(); for (S2CellId s2CellId : result) { output.add(s2CellId.id()); } return output; } @Override public void close() throws HiveException { } } 复制代码
在使用的时候和 lateral view
连在一起用
add jar hdfs://bipcluster/data/upload/udf/ff8bd59f-d0a5-4b13-888b-5af239270869/google_s2_udf.jar; create temporary function da_cover as 'me.ele.breat.hive.udf.S2SimpleRegionCoverV2'; drop table if exists temp.cm_s2_id_cover_list; create table temp.cm_s2_id_cover_list as select tb_s2cellid.s2cellid, source.shop_id from ( select geometry, shop_id from example) source lateral view da_cover(geometry) tb_s2cellid as s2cellid; 复制代码
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:- 通读ES6--函数的扩展
- 如何扩展AngularJS资源($资源)的构造函数?
- ECMAScript 6 学习笔记(六):函数的扩展
- 写扩展性好的代码:函数
- ES6入门之函数的扩展
- [ PHP 内核与扩展开发系列] 函数返回值:引用参数与函数的执行结果
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
从零开始学微信公众号运营推广
叶龙 / 清华大学出版社 / 2017-6-1 / 39.80
本书是丛书的第2本,具体内容如下。 第1章 运营者入门——选择、注册和认证 第2章 变现和赚钱——如何从0到100万 第3章 决定打开率——标题的取名和优化 第4章 决定美观度——图片的选取和优化 第5章 决定停留率——正文的编辑和优化 第6章 决定欣赏率——版式的编辑和优化 第7章 数据的分析——用户内容的精准营销 书中从微信运营入门开始,以商业变......一起来看看 《从零开始学微信公众号运营推广》 这本书的介绍吧!