要实现8个方法,8个方法中,最为重要的有3个:
initialize:初始化,在给,map端每一个分区的每一个key进行初始化,给0
update:在map端聚合
merge: 在reduce端聚合
Java版代码:
package com.bjsxt;
import java.util.ArrayList;
import java.util.Arrays;
import java.util.List;
import org.apache.hadoop.hive.ql.parse.HiveParser_SelectClauseParser.selectClause_return;
import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.sql.DataFrame;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.RowFactory;
import org.apache.spark.sql.SQLContext;
import org.apache.spark.sql.expressions.MutableAggregationBuffer;
import org.apache.spark.sql.expressions.UserDefinedAggregateFunction;
import org.apache.spark.sql.types.DataType;
import org.apache.spark.sql.types.DataTypes;
import org.apache.spark.sql.types.StructField;
import org.apache.spark.sql.types.StructType;
/**
* 用户自定义聚合函数
* @author Administrator
*
*/
public class UDAF {
public static void main(String[] args) {
SparkConf conf = new SparkConf().setAppName("test").setMaster("local");
JavaSparkContext sc = new JavaSparkContext(conf);
SQLContext sqlContext = new SQLContext(sc);
List<String> list = Arrays.asList("zhangsan", "lisi", "wangwu", "zhangsan", "zhangsan", "lisi", "wangwu");
JavaRDD<String> parallelize = sc.parallelize(list);
JavaRDD<Row> rowRDD = parallelize.map(new Function<String, Row>() {
/**
* map是一对一的类型
* 进去的是String类型,出来的是row类型
*/
@Override
public Row call(String s) throws Exception {
return RowFactory.create(s);
}
});
List<StructField> fields = new ArrayList<StructField>();
/**
* 创建名为name的区域,类型为String
*/
fields.add(DataTypes.createStructField("name", DataTypes.StringType, true));
/**
* 创建schema
*/
StructType schema = DataTypes.createStructType(fields);
/**
* 将rdd和schema相聚和
*/
DataFrame df = sqlContext.createDataFrame(rowRDD, schema);
/**
* 创建一个用户名为user的表格
*/
df.registerTempTable("user");
/**
* 注册一个UDAF函数,实现统计相同值的个数
* 注意: 这里可以自定义一个类,继承UserDefinedAggregatedFunction类也是可以的
*/
sqlContext.udf().register("StringCount", new UserDefinedAggregateFunction() {
/**
* initialize相当于初始化:
* map端每个元素的初试值都为零
* reduce端的每个元素的初始值都为零
* update相当于map端的聚合
* merge相当于reduce端的聚合
*map端的 merge的好处:
*1.减少了suffer磁盘的数据量
*2.减少了reduce端拉取的数据量
*3.减少了reduce端的聚合次数
*/
/**
* 方法 用户自定义聚合函数
*/
/**
* ** 在进行聚合造作的时候,所要处理的数据的结果的类型
*
* @return
*/
@Override
public StructType bufferSchema() {
// TODO Auto-generated method stub
return DataTypes.createStructType(
Arrays.asList(DataTypes.createStructField("bfferxx", DataTypes.IntegerType, true)));
}
/**
* 指定UDAF函数计算后,返回的结果类型
*
* @return
*/
@Override
public DataType dataType() {
// TODO Auto-generated method stub
return DataTypes.IntegerType;
}
/**
* 确保一致性,一般用true 用以标记针对给定的一组输入 UDAF是否纵使生成相同的结果,
*
* @return
*/
@Override
public boolean deterministic() {
// TODO Auto-generated method stub
return true;
}
/**
* 最后返回一个和dataType方法的类型要一致的类型 返回UDAF最后的计算结果
*
* @param arg0
* @return row是已经分好组的key
*/
@Override
public Object evaluate(Row row) {
return row.getInt(0);
}
/**
* 初始化一个内部自定义的值 在Aggregate之前每组数据的初始化结果
*
* @param buffer
* 在map端每一个分区,中的每一个key做初始化,里边的值都为零
* initialize不仅作用在map端,初始化元素为零
* 而且还作用在reduce端,初始化reduce端的每个元素的值也为零
*/
@Override
public void initialize(MutableAggregationBuffer buffer) {
buffer.update(0, 0);
}
/**
* 指定输入字段的字段及类型
*
* @return
*/
@Override
public StructType inputSchema() {
return DataTypes.createStructType(
Arrays.asList(DataTypes.createStructField("namexxx", DataTypes.StringType, true)
));
}
/**
* 合并update操作,可能是针对一个分组内的部分数据,在某个节点上发生的 但是可能一个分组内的数据会在多个节点上处理
* 此时就要用merge操作,将各个节点上分布式拼接好的串,合并起来 buffer1.getInt(0):大聚合的时候,上一次聚合后的值
* buffer2.getInt(0):这次计算传入进来的update的结果 这里即是:最后在分布式节点上完成传后需要进行全局级别的merge操作
*
* @param arg0
* @param arg1
*merge 作用在reduce端,将所有的数据拉取在一起
*reduce端跨分区,跨节点
*
*/
@Override
public void merge(MutableAggregationBuffer buffer1, Row buffer2) {
buffer1.update(0, buffer1.getInt(0) + buffer2.getInt(0));
/**
* 难不成各个节点的名字叫buffer吗?
*/
}
/**
* 更新,可以认为是一个一个地将组内的字段传递进来的,实现拼接的逻辑 buffer.getInt(0)获取的是上一次聚合后的值
* 相当于map端的combiner,combiner就是对每一个map task的处理结果进行一次小的聚合 大聚合发生在reduce端
* 这里即是:在进行聚合的时候,每当有新的值进来,对分组后得值如何进行计算
*
* @param arg0
* @param arg1
* update相当于map端的聚合 作用在每一个分区的每一个小组
*/
@Override
public void update(MutableAggregationBuffer buffer, Row arg1) {
buffer.update(0, buffer.getInt(0) + 1);
}
});
/**
* 真正的SQL查询语句
*/
sqlContext.sql("select name,StringCount(name) as strCount from user group by name").show();
sc.stop();
}
}
Scala版代码:
class MyUDAF extends UserDefinedAggregateFunction {
// 聚合操作时,所处理的数据的类型
def bufferSchema: StructType = {
DataTypes.createStructType(Array(DataTypes.createStructField("aaa", IntegerType, true)))
}
// 最终函数返回值的类型
def dataType: DataType = {
DataTypes.IntegerType
}
def deterministic: Boolean = {
true
}
// 最后返回一个最终的聚合值 要和dataType的类型一一对应
def evaluate(buffer: Row): Any = {
buffer.getAs[Int](0)
}
// 为每个分组的数据执行初始化值
def initialize(buffer: MutableAggregationBuffer): Unit = {
buffer(0) = 0
}
//输入数据的类型
def inputSchema: StructType = {
DataTypes.createStructType(Array(DataTypes.createStructField("input", StringType, true)))
}
// 最后merger的时候,在各个节点上的聚合值,要进行merge,也就是合并
def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
buffer1(0) = buffer1.getAs[Int](0)+buffer2.getAs[Int](0)
}
// 每个组,有新的值进来的时候,进行分组对应的聚合值的计算
def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
buffer(0) = buffer.getAs[Int](0)+1
}
}
object UDAF {
def main(args: Array[String]): Unit = {
val conf = new SparkConf()
conf.setMaster("local").setAppName("udaf")
val sc = new SparkContext(conf)
val sqlContext = new SQLContext(sc)
val rdd = sc.makeRDD(Array("zhangsan","lisi","wangwu","zhangsan","lisi"))
val rowRDD = rdd.map { x => {RowFactory.create(x)} }
val schema = DataTypes.createStructType(Array(DataTypes.createStructField("name", StringType, true)))
val df = sqlContext.createDataFrame(rowRDD, schema)
df.show()
df.registerTempTable("user")
/**
* 注册一个udaf函数
*/
sqlContext.udf.register("StringCount", new MyUDAF())
sqlContext.sql("select name ,StringCount(name) from user group by name").show()
sc.stop()
}
}
亲,鼓励一下我呗。