package com.dt.sparksql
import org.apache.spark.sql.expressions.{MutableAggregationBuffer, UserDefinedAggregateFunction}
import org.apache.spark.sql.types._
import org.apache.spark.sql.{Row, SQLContext}
import org.apache.spark.{SparkContext, SparkConf}
/**
* Created by fengli_pt on 2016/6/29.
*
* 通过案例实战Spark sql下的UDF和UDAF的具体使用
* UDF:用户自定义的函数,函数的输入是一条具体的数据记录,实现上讲就是普通的Scala函数
* UDAF:用户自定义的聚合函数,函数本身作用于数据集合,能够在聚合操作的基础上自定义操作
*
* 实质上讲,例如说UDF会被Spark SQL中的catalyst封装成为Expression,最终会通过eval方法来计算输入的数据row(此处的row和DataFrame中的Row没有任何关系)
*
*/
object SparkSQLUDF {
def main(args: Array[String]) {
val conf = new SparkConf().setAppName("SparkSQLUDF").setMaster("local")
val sc = new SparkContext(conf)
val sqlContext = new SQLContext(sc);
val bigData = Array("spark","hadoop","kafka","hive","flume","hadoop","kafka","lfeng");
/**
* 基于数据创建DataFrame
* */
val bigDataRDD = sc.parallelize(bigData);
val bigDataRDDRow = bigDataRDD.map(item => Row(item))
val structType = StructType(Array(StructField("word",StringType,true)));
val bigDataDF = sqlContext.createDataFrame(bigDataRDDRow,structType);
bigDataDF.registerTempTable("bigDataTable"); //注册成临时表
/**
*通过sqlcontext注册UDF,在scala 2.10.x版本UDF函数最多可以接收22个输入参数
* */
sqlContext.udf.register("computerLength",(input:String)=>input.length)
//直接在SQL语句中使用UDF,就像使用SQL自带的内部函数一样
sqlContext.sql("select word,computerLength(word) from bigDataTable").show();
sqlContext.udf.register("wordCount",new MyUDAF)
sqlContext.sql("select word,computerLength(word) as length,wordCount(word)as count from bigDataTable group by word").show();
while(true){}
}
}
/**
* 按照模板实现自定义UDAF,按ctrl+i来加载需要实现的方法
* */
class MyUDAF extends UserDefinedAggregateFunction{
/**
* 该方法指定具体输入数据的类型
* */
override def inputSchema: StructType = StructType(Array(StructField("input",StringType,true)))
/**
* 在进行聚合操作的时候所要处理的数据的结果的类型
* */
override def bufferSchema: StructType = StructType(Array(StructField("count",IntegerType,true)))
/**
* 指定UDAF函数计算后最终结果返回的数据类型
* */
override def dataType: DataType = IntegerType
/**
* 确保一致性的,一般设置为true
* */
override def deterministic: Boolean = true
/**
* 在(聚合)Aggregate之前每组数据的初始化结果
* */
override def initialize(buffer: MutableAggregationBuffer): Unit = buffer(0) =0
/**
* 在进行聚合的时候,每当有新的值进来,对分组后的聚合如何进行计算
* 本地的聚合操作,相当于hadoop mapreduce模型中的Combiner
* */
override def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
buffer(0) = buffer.getAs[Int](0) + 1;
}
/**
* 最后再分布式节点进行Local Reduce完成后需要进行全局级别的Merge操作
* */
override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
buffer1(0) = buffer1.getAs[Int](0) + buffer2.getAs[Int](0);
}
/**
* 返回UDAF最终的计算结果
* */
override def evaluate(buffer: Row): Any = buffer.getAs[Int](0)
}