初识hive UDF

第一部分：产生背景

产生背景

•为了满足客户个性化的需求，Hive被设计成一个很开放的系统，很多内容都支持用户定制，包括：

•文件格式：Text File，Sequence File

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

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

•用户自定义函数

自定义函数

•虽然Hive提供了很多函数，但是有些还是难以满足我们的需求。因此Hive提供了自定义函数开发

•自定义函数包括三种UDF、UADF、UDTF

•UDF(User-Defined-Function)

•UDAF（User- Defined Aggregation Funcation）

•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。 

HIVE中使用定义的函数的三种方式

•在HIVE会话中add 自定义函数的jar文件，然后创建function，继而使用函数

•在进入HIVE会话之前先自动执行创建function，不用用户手工创建

•把自定义的函数写到系统函数中，使之成为HIVE的一个默认函数，这样就不需要create temporary function

 

第二部分：UDF

UDF用法

•UDF(User-Defined-Function)

•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

•编写UDF函数的时候需要注意一下几点

•自定义UDF需要继承org.apache.hadoop.hive.ql.UDF

•需要实现evaluate函数

•evaluate函数支持重载

•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

UDF用法代码示例

package com.hive;
import org.apache.hadoop.hive.ql.exec.UDF;
public class HiveUtfTest extends UDF {
    public String evaluate(String str) {
        try {
            return "HelloWorld " + str;
        } catch (Exception e) {
            return null;
        }
    }
}

开发步骤

•开发代码

•把程序打包放到目标机器上去（HDFS上）,可以使用eclipse，在JAVA文件上右键，EXPORT——》JAR FILE来生成JAR文件

•进入hive客户端

•添加jar包：hive>add jar hdfs://namenode:8020/user/hive/warehouse/test/add_function.jar;（ 需要加上前面的全路径，否则找不到该JAR文件）

•创建临时函数：hive>CREATE TEMPORARY FUNCTION my_add AS 'com.hive.HiveUtfTest‘

•查询HQL语句：

•SELECT my_add (8, 9) FROM scores;

•SELECT my_add (scores.math, scores.art) FROM scores;

•销毁临时函数：hive> DROP TEMPORARY FUNCTION my_add ;

•细节

•在使用UDF的时候，会自动进行类型转换，例如：
SELECT my_add (8,9.1) FROM scores;

•结果是17.1，UDF将类型为Int的参数转化成double。类型的饮食转换是通过UDFResolver来进行控制的
---------------------------------------------------------------------------------------------
下面使用一个真实的例子来学习UDF
有一张很大的表：TRLOG
该表大概有2T左右
TRLOG：
CREATE TABLE TRLOG
(PLATFORM string,
USER_ID int,
CLICK_TIME string,
CLICK_URL string)
row format delimited
fields terminated by '\t';

数据：
PLATFORM USER_ID CLICK_TIME CLICK_URL
WEB 12332321 2013-03-21 13:48:31.324 /home/
WEB 12332321 2013-03-21 13:48:32.954 /selectcat/er/
WEB 12332321 2013-03-21 13:48:46.365 /er/viewad/12.html
WEB 12332321 2013-03-21 13:48:53.651 /er/viewad/13.html
WEB 12332321 2013-03-21 13:49:13.435 /er/viewad/24.html
WEB 12332321 2013-03-21 13:49:35.876 /selectcat/che/
WEB 12332321 2013-03-21 13:49:56.398 /che/viewad/93.html
WEB 12332321 2013-03-21 13:50:03.143 /che/viewad/10.html
WEB 12332321 2013-03-21 13:50:34.265 /home/
WAP 32483923 2013-03-21 23:58:41.123 /m/home/
WAP 32483923 2013-03-21 23:59:16.123 /m/selectcat/fang/
WAP 32483923 2013-03-21 23:59:45.123 /m/fang/33.html
WAP 32483923 2013-03-22 00:00:23.984 /m/fang/54.html
WAP 32483923 2013-03-22 00:00:54.043 /m/selectcat/er/
WAP 32483923 2013-03-22 00:01:16.576 /m/er/49.html
…… …… …… ……

需要把上述数据处理为如下结构的表ALLOG：
CREATE TABLE ALLOG
(PLATFORM string,
USER_ID int,
SEQ int,
FROM_URL string,
TO_URL string)
row format delimited
fields terminated by '\t';

整理后的数据结构：
PLATFORM USER_ID SEQ FROM_URL TO_URL
WEB 12332321 1 NULL /home/
WEB 12332321 2 /home/ /selectcat/er/
WEB 12332321 3 /selectcat/er/ /er/viewad/12.html
WEB 12332321 4 /er/viewad/12.html /er/viewad/13.html
WEB 12332321 5 /er/viewad/13.html /er/viewad/24.html
WEB 12332321 6 /er/viewad/24.html /selectcat/che/
WEB 12332321 7 /selectcat/che/ /che/viewad/93.html
WEB 12332321 8 /che/viewad/93.html /che/viewad/10.html
WEB 12332321 9 /che/viewad/10.html /home/
WAP 32483923 1 NULL /m/home/
WAP 32483923 2 /m/home/ /m/selectcat/fang/
WAP 32483923 3 /m/selectcat/fang/ /m/fang/33.html
WAP 32483923 4 /m/fang/33.html /m/fang/54.html
WAP 32483923 5 /m/fang/54.html /m/selectcat/er/
WAP 32483923 6 /m/selectcat/er/ /m/er/49.html
…… …… …… ……
PLATFORM和USER_ID还是代表平台和用户ID；SEQ字段代表用户按时间排序后的访问顺序，FROM_URL和TO_URL分别代表用户从哪一页跳转到哪一页。对于某个平台上某个用户的第一条访问记录，其FROM_URL是NULL（空值）。


面试官说需要用两种办法做出来：
1、实现一个能加速上述处理过程的Hive Generic UDF，并给出使用此UDF实现ETL过程的Hive SQL

2、实现基于纯Hive SQL的ETL过程，从TRLOG表生成ALLOG表；（结果是一套SQL）

答案：

1.

UDF

[java] view plain copy

1. package org.apache.hadoop.hive.udf;  
2.   
3. public class RowNumber extends org.apache.hadoop.hive.ql.exec.UDF {  
4.        
5.     private static int MAX_VALUE = 50;  
6.     private static String comparedColumn[] = new String[MAX_VALUE];  
7.     private static int rowNum = 1;  
8.    
9.     public int evaluate(Object... args) {  
10.         String columnValue[] = new String[args.length];  
11.         for (int i = 0; i < args.length; i++)  
12.             columnValue[i] = args[i].toString();  
13.         if (rowNum == 1)  
14.         {  
15.    
16.             for (int i = 0; i < columnValue.length; i++)  
17.                 comparedColumn[i] = columnValue[i];  
18.         }  
19.    
20.         for (int i = 0; i < columnValue.length; i++)  
21.         {  
22.    
23.             if (!comparedColumn[i].equals(columnValue[i]))  
24.             {  
25.                 for (int j = 0; j < columnValue.length; j++)  
26.                 {  
27.                     comparedColumn[j] = columnValue[j];  
28.                 }  
29.                 rowNum = 1;  
30.                 return rowNum++;  
31.             }  
32.         }  
33.         return rowNum++;  
34.     }  
35.       
36.     public static void main(String[] args) {  
37.         RowNumber aRowNumber = new RowNumber();  
38.         System.out.println(aRowNumber.evaluate("12332321"));  
39.         System.out.println(aRowNumber.evaluate("12332321"));  
40.         System.out.println(aRowNumber.evaluate("12332321"));  
41.         System.out.println(aRowNumber.evaluate("12332321"));  
42.         System.out.println(aRowNumber.evaluate("12332321"));  
43.     }  
44.       
45. }  

该函数的主要功能是计算该用户的出现顺序数，因为前提是文件已经按照用户归类到一起并且是按照时间排序的了。。。

INSERT OVERWRITE TABLE ALLOG
SELECT t1.platform,t1.user_id,RowNumber(t1.user_id) as seq,t2.click_url as FROM_URL,t1.click_url as TO_URL FROM
(select *,RowNumber(user_id) as seq from trlog) t1
LEFT OUTER JOIN
(select *,RowNumber(user_id) as seq from trlog) t2
on t1.user_id = t2.user_id and t1.seq=t2.seq+1;

2.

INSERT OVERWRITE TABLE ALLOG
SELECT t1.platform,t1.user_id,t1.seq,t2.click_url FROM_URL,t1.click_url TO_URL FROM
(SELECT platform,user_id,click_time,click_url,count(1) seq FROM (SELECT a.*,b.click_time click_time1,b.click_url click_url2  FROM trlog a left outer join trlog b on a.user_id = b.user_id)t WHERE click_time>=click_time1 GROUP BY platform,user_id,click_time,click_url)t1
LEFT OUTER JOIN
(SELECT platform,user_id,click_time,click_url,count(1) seq FROM (SELECT a.*,b.click_time click_time1,b.click_url click_url2  FROM trlog a left outer join trlog b on a.user_id = b.user_id)t WHERE click_time>=click_time1 GROUP BY platform,user_id,click_time,click_url )t2 
on t1.user_id = t2.user_id and t1.seq = t2.seq + 1;