Hive的UDF与UDTF浅析，TopN案例

1.UDF和UDTF简介

UDF是User-Define-Function，一般是指一个输入一个输出，UDTF是UDF变种，可一个输入多个输出。UDAF是用户聚合，可以多行输入，一个输出。需要注意的是这些函数写好之后需要在平台或者脚本里配合sql使用。

1.1开发前注意事项

在编写代码时，UDF有两种具体实现，你可以继承import org.apache.hadoop.hive.ql.exec.UDF;来实现UDF，也可以继承public class top extends GenericUDF，第一个不支持复杂数据类型，比如Map，struct等。如果你想解析这些数据必须继承GenernicUDF实现

2.开发一个UDTF的全部流程

2.1配置pom文件的依赖

hive-exec,hadoop-common两个依赖即可

2.2编写业务代码的逻辑实现

2.2.1先写一个简单的UDF

package hive.udf;//必须要写包名。不然一会儿不好导入

import org.apache.hadoop.hive.ql.exec.UDF;//UDF虽然会被提示弃用了但是正常用就行

public class Twosum extends UDF {
        public int evaluate(int input){
            return input+233;
        }
}

• 包名必须要写，不然hive里没办法把生成的jar包导进去
• 实现evalute方法即可，经过简单的处理直接return。
• 其实GenericUDF还有init方法用来初始化，该方法只执行一次，还有display方法用来报错。但是这些都可以不去实现。

2.2.2编写复杂的UDTF

该UDTF是TopN问题ETL部分
pom中依赖还是上面那两个
基本逻辑就是有个很长的字符串，里面是多个key：value的键值对，每一个键值对的分隔符是ETX(EndOfText）也就是ASCII的第三个控制字符（\u0003就是十六进制的3）。每个key和value分隔符是EOT(End Of Transmision)是第四个控制字符。
拆分的结果是每个键值对都被拆成key和value两列。

public class top extends GenericUDTF {
    public static final Logger LOGGER = LogManager.getLogger(top.class);

    @Override
    public StructObjectInspector initialize(ObjectInspector[] args) throws UDFArgumentException {
        //定义输出数据的列名
        List<String> filedNames = new ArrayList<String>();
        List<ObjectInspector> fieldOIS = new ArrayList<ObjectInspector>();
        filedNames.add("key");
        fieldOIS.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);
        filedNames.add("value");
        //定义输出数据的类型
        fieldOIS.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);
        return ObjectInspectorFactory.getStandardStructObjectInspector(filedNames, fieldOIS);
    }

    @Override
    public void process(Object[] objects) throws HiveException {
        String input = objects[0].toString();
        String[] datadsplit = input.split("\u0003");
        for (String s : datadsplit) {
            String[] result = s.split("\u0004");
            forward(result);
        }
    }

    @Override
    public void close() throws HiveException {

    }

}

• init方法必须实现，并且得用新的init方法，如果参数输成了老款或者没有实现init方法会报错IllegalStateException Should not be called directly
• init方法中是用来定义输出信息的，需要注意的是filename add一次filedOIS也得add一次，如果输出多列数据的话。
• 如果处理完是数列或者数组，直接给forward函数即可。他会返回一行。

2.3配置工件及部署和使用

• 首先在IDEA左上角项目设置里找到工件，新建一个工件。选依赖辅助项目。然后再工具栏构建中找到构建工件。构建成功后再项目文件的out目录可以看见jar包
• 上传到hive的服务器，随便一个文件夹就可以，然后cd到该目录
• zip -d jar包 ‘META-INF/.SF’ ‘META-INF/.RSA’ ‘META-INF/*SF’
• 使用上述命令消除异常签名
• 再hive客户端或者datagrip上执行 add jar xxx.jar
• 继续create function twosum as ‘hive.udf.Twosum’;//这个as后面是包名+类名
• 接下来就可以调用了
• select twosum(name) from t_user;

3.TopN问题解法

上面的函数已经把所有的key：value拆分完毕，接下来做聚合和排序即可

create table topnend as
select types,sum(statusvalue) as value
from topnfinal
group by types;

select * from topnend
order by value desc ;