Spark --Spark SQL自定义函数 UDF UDAF UDTF

 

 自定义函数分类

类似于hive当中的自定义函数， spark同样可以使用自定义函数来实现新的功能。

spark中的自定义函数有如下3类

1.UDF(User-Defined-Function)

              输入一行，输出一行

2.UDAF(User-Defined Aggregation Funcation)

              输入多行，输出一行

3.UDTF(User-Defined Table-Generating Functions)

              输入一行，输出多行

 

自定义UDF

●需求

有udf.txt数据格式如下：

Hello

abc

study

small

 

通过自定义UDF函数将每一行数据转换成大写

select value,smallToBig(value) from t_word

 

●代码演示

package cn.itcast.sql

import org.apache.spark.SparkContext
import org.apache.spark.sql.{Dataset, SparkSession}


object UDFDemo {
  def main(args: Array[String]): Unit = {
    //1.创建SparkSession
    val spark: SparkSession = SparkSession.builder().master("local[*]").appName("SparkSQL").getOrCreate()
    val sc: SparkContext = spark.sparkContext
    sc.setLogLevel("WARN")
    //2.读取文件
    val fileDS: Dataset[String] = spark.read.textFile("D:\\data\\udf.txt")
    fileDS.show()
    /*
    +----------+
    |     value|
    +----------+
    |helloworld|
    |       abc|
    |     study|
    | smallWORD|
    +----------+
     */
   /*
    将每一行数据转换成大写
    select value,smallToBig(value) from t_word
    */
    //注册一个函数名称为smallToBig,功能是传入一个String,返回一个大写的String
    spark.udf.register("smallToBig",(str:String) => str.toUpperCase())
    fileDS.createOrReplaceTempView("t_word")
    //使用我们自己定义的函数
    spark.sql("select value,smallToBig(value) from t_word").show()
    /*
    +----------+---------------------+
    |     value|UDF:smallToBig(value)|
    +----------+---------------------+
    |helloworld|           HELLOWORLD|
    |       abc|                  ABC|
    |     study|                STUDY|
    | smallWORD|            SMALLWORD|
    +----------+---------------------+
     */
    sc.stop()
    spark.stop()
  }
}

 

自定义UDAF

●需求

有udaf.json数据内容如下

{"name":"Michael","salary":3000}

{"name":"Andy","salary":4500}

{"name":"Justin","salary":3500}

{"name":"Berta","salary":4000}

求取平均工资

 

●继承UserDefinedAggregateFunction方法重写说明

inputSchema：输入数据的类型

bufferSchema：产生中间结果的数据类型

dataType：最终返回的结果类型

deterministic：确保一致性，一般用true

initialize：指定初始值

update：每有一条数据参与运算就更新一下中间结果(update相当于在每一个分区中的运算)

merge：全局聚合(将每个分区的结果进行聚合)

evaluate：计算最终的结果

 

●代码演示

package cn.itcast.sql

import org.apache.spark.SparkContext
import org.apache.spark.sql.expressions.{MutableAggregationBuffer, UserDefinedAggregateFunction}
import org.apache.spark.sql.types._
import org.apache.spark.sql.{DataFrame, Row, SparkSession}


object UDAFDemo {
  def main(args: Array[String]): Unit = {
    //1.获取sparkSession
    val spark: SparkSession = SparkSession.builder().appName("SparkSQL").master("local[*]").getOrCreate()
    val sc: SparkContext = spark.sparkContext
    sc.setLogLevel("WARN")
    //2.读取文件
    val employeeDF: DataFrame = spark.read.json("D:\\data\\udaf.json")
    //3.创建临时表
    employeeDF.createOrReplaceTempView("t_employee")
    //4.注册UDAF函数
    spark.udf.register("myavg",new MyUDAF)
    //5.使用自定义UDAF函数
    spark.sql("select myavg(salary) from t_employee").show()
    //6.使用内置的avg函数
    spark.sql("select avg(salary) from t_employee").show()
  }
}
class MyUDAF extends UserDefinedAggregateFunction{
  //输入的数据类型的schema
  override def inputSchema: StructType = {
     StructType(StructField("input",LongType)::Nil)
  }
  //缓冲区数据类型schema，就是转换之后的数据的schema
  override def bufferSchema: StructType = {
    StructType(StructField("sum",LongType)::StructField("total",LongType)::Nil)
  }
  //返回值的数据类型
  override def dataType: DataType = {
    DoubleType
  }
  //确定是否相同的输入会有相同的输出
  override def deterministic: Boolean = {
    true
  }
  //初始化内部数据结构
  override def initialize(buffer: MutableAggregationBuffer): Unit = {
    buffer(0) = 0L
    buffer(1) = 0L
  }
  //更新数据内部结构,区内计算
  override def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
    //所有的金额相加
    buffer(0) = buffer.getLong(0) + input.getLong(0)
    //一共有多少条数据
    buffer(1) = buffer.getLong(1) + 1
  }
  //来自不同分区的数据进行合并,全局合并
  override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
    buffer1(0) =buffer1.getLong(0) + buffer2.getLong(0)
    buffer1(1) = buffer1.getLong(1) + buffer2.getLong(1)
  }
  //计算输出数据值
  override def evaluate(buffer: Row): Any = {
    buffer.getLong(0).toDouble / buffer.getLong(1)
  }
}

 

自定义UDTF

●需求

有udtf.txt数据内容如下

01//zs//Hadoop scala spark hive hbase
02//ls//Hadoop scala kafka hive hbase Oozie
03//ww//Hadoop scala spark hive sqoop

数据以//分隔，遍历ls学的大数据组件

 

●代码演示

  def main(args: Array[String]): Unit = {
    val spark = SparkSession.builder().master("local[*]").appName("t01").getOrCreate()
    val sc = spark.sparkContext
    sc.setLogLevel("warn")
    val filedata = sc.textFile("file:///F:\\udtf.txt")
    val splitdata = filedata.map(_.split("//"))
    val filterdata = splitdata.filter(a=>a(1).equals("ls"))
    val line = filterdata.map(a=>(a(0),a(1),a(2)))
    import spark.implicits._
    val dataFrame = line.toDF("id","name","class")
    dataFrame.show()
    dataFrame.createOrReplaceTempView("student")
//CREATE TEMPORARY FUNCTION 自定义算子名称 as '算子实现类全限定名称'
    spark.sql("CREATE TEMPORARY FUNCTION myUDTF as 'myUDTF' ")
    spark.sql("select myUDTF(class) from student").show()
  }


  class myUDTF extends GenericUDTF{

    //这个方法的作用：1.输入参数校验  2. 输出列定义，可以多于1列，相当于可以生成多行多列数据
    override def initialize(argOIs: Array[ObjectInspector]): StructObjectInspector = {
      if (argOIs.length != 1) {
        throw new UDFArgumentLengthException("UserDefinedUDTF takes only one argument")
      }
      if (argOIs(0).getCategory() != ObjectInspector.Category.PRIMITIVE) {
        throw new UDFArgumentException("UserDefinedUDTF takes string as a parameter")
      }
      val fieldNames = new util.ArrayList[String]
      val fieldOIs = new util.ArrayList[ObjectInspector]
      fieldNames.add("type")
      //这里定义的是输出列字段类型
      fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector)
      ObjectInspectorFactory.getStandardStructObjectInspector(fieldNames, fieldOIs)
  }

    //这是处理数据的方法，入参数组里只有1行数据,即每次调用process方法只处理一行数据
    override def process(args: Array[AnyRef]): Unit = {
      //将字符串切分成单个字符的数组
      val strLst = args(0).toString.split(" ")
      for(i <- strLst){
        var tmp:Array[String] = new Array[String](1)
        tmp(0) = i
        //调用forward方法，必须传字符串数组，即使只有一个元素
        forward(tmp)
      }
    }

    override def close(): Unit = {}
  }