Hive UDF开发初步

编写Apache Hive用户自定义函数（UDF）有两个不同的接口，一个非常简单，另一个...就相对复杂点。

如果你的函数读和返回都是基础数据类型（Hadoop&Hive 基本writable类型，如Text,IntWritable,LongWriable,DoubleWritable等等），那么简单的API（org.apache.hadoop.hive.ql.exec.UDF）可以胜任

但是，如果你想写一个UDF用来操作内嵌数据结构，如Map，List和Set，那么你要去熟悉org.apache.hadoop.hive.ql.udf.generic.GenericUDF这个API

简单API： org.apache.hadoop.hive.ql.exec.UDF
复杂API：  org.apache.hadoop.hive.ql.udf.generic.GenericUDF

接下来我将通过一个示例为上述两个API建立UDF，我将为接下来的示例提供代码与测试
如果你想浏览代码：fork it on Github：https://github.com/rathboma/hive-extension-examples

简单API

用简单UDF API来构建一个UDF只涉及到编写一个类继承实现一个方法（evaluate），以下是示例：

class SimpleUDFExample extends UDF {  
    
  public Text evaluate(Text input) {  
    return new Text("Hello " + input.toString());  
  }  
}  

因为该UDF是一个简单的函数，你可以在规范的测试工具测试它，如JUnit。

    public class SimpleUDFExampleTest {  
        
      @Test  
      public void testUDF() {  
        SimpleUDFExample example = new SimpleUDFExample();  
        Assert.assertEquals("Hello world", example.evaluate(new Text("world")).toString());  
      }  
    }  

好的，在Hive控制台测试一把，也可以在hive中直接测试这个UDF，特别是当你不完全肯定该函数是否能够正确处理问题的时候

%> hive  
hive> ADD JAR target/hive-extensions-1.0-SNAPSHOT-jar-with-dependencies.jar;  
hive> CREATE TEMPORARY FUNCTION helloworld as 'com.matthewrathbone.example.SimpleUDFExample';  
hive> select helloworld(name) from people limit 1000;  

事实上，上述UDF有一个bug，不会去检查null参数，null在一个大的数据集当中是很常见的，所以要适当严谨点。作为回应，这边在函数中加了一个null检查

class SimpleUDFExample extends UDF {  
    
  public Text evaluate(Text input) {  
    if(input == null) return null;  
    return new Text("Hello " + input.toString());  
  }  
}  

然后加了一个测试去验证它

@Test  
public void testUDFNullCheck() {  
  SimpleUDFExample example = new SimpleUDFExample();  
  Assert.assertNull(example.evaluate(null));  
}  

用mvn test跑一下测试，来保证所有用例通过。

复杂的API

org.apache.hadoop.hive.ql.udf.generic.GenericUDF API提供了一种方法去处理那些不是可写类型的对象，例如：struct，map和array类型。

这个API需要你亲自去为函数的参数去管理对象存储格式（object inspectors），验证接收的参数的数量与类型。一个object inspector为内在的数据类型提供一个一致性接口，以至不同实现的对象可以在hive中以一致的方式去访问（例如，只要你能提供一个对应的object inspector，你可以实现一个如Map的复合对象）。

这个API要求你去实现以下方法：

1. // 这个类似于简单API的evaluat方法，它可以读取输入数据和返回结果  
2. abstract Object evaluate(GenericUDF.DeferredObject[] arguments);  
3.   
4. // 该方法无关紧要，我们可以返回任何东西，但应当是描述该方法的字符串  
5. abstract String getDisplayString(String[] children);  
6.   
7. // 只调用一次，在任何evaluate()调用之前，你可以接收到一个可以表示函数输入参数类型的object inspectors数组  
8. // 这是你用来验证该函数是否接收正确的参数类型和参数个数的地方  
9. abstract ObjectInspector initialize(ObjectInspector[] arguments); 
   

可能要通过一个示例才能去了解这个接口，所以接下来往下看。

示例

我将通过建立一个UDF函数：containsString，来加深对该API了解，该函数接收两个参数：
一个String的列表（list）
一个String

 

根据该list中是否包含所提供的string来返回true或者false，如下：

1. containsString(List("a", "b", "c"), "b"); // true  
2.   
3. containsString(List("a", "b", "c"), "d"); // false 
   

不同于UDF接口，这个GenericUDF接口需要更啰嗦点。

    class ComplexUDFExample extends GenericUDF {  
      
      ListObjectInspector listOI;  
      StringObjectInspector elementOI;  
      
      @Override  
      public String getDisplayString(String[] arg0) {  
        return "arrayContainsExample()"; // this should probably be better  
      }  
      
      @Override  
      public ObjectInspector initialize(ObjectInspector[] arguments) throws UDFArgumentException {  
        if (arguments.length != 2) {  
          throw new UDFArgumentLengthException("arrayContainsExample only takes 2 arguments: List<T>, T");  
        }  
        // 1. 检查是否接收到正确的参数类型  
        ObjectInspector a = arguments[0];  
        ObjectInspector b = arguments[1];  
        if (!(a instanceof ListObjectInspector) || !(b instanceof StringObjectInspector)) {  
          throw new UDFArgumentException("first argument must be a list / array, second argument must be a string");  
        }  
        this.listOI = (ListObjectInspector) a;  
        this.elementOI = (StringObjectInspector) b;  
          
        // 2. 检查list是否包含的元素都是string  
        if(!(listOI.getListElementObjectInspector() instanceof StringObjectInspector)) {  
          throw new UDFArgumentException("first argument must be a list of strings");  
        }  
          
        // 返回类型是boolean，所以我们提供了正确的object inspector  
        return PrimitiveObjectInspectorFactory.javaBooleanObjectInspector;  
      }  
        
      @Override  
      public Object evaluate(DeferredObject[] arguments) throws HiveException {  
          
        // 利用object inspectors从传递的对象中得到list与string  
        List<String> list = (List<String>) this.listOI.getList(arguments[0].get());  
        String arg = elementOI.getPrimitiveJavaObject(arguments[1].get());  
          
        // 检查空值  
        if (list == null || arg == null) {  
          return null;  
        }  
          
        // 判断是否list中包含目标值  
        for(String s: list) {  
          if (arg.equals(s)) return new Boolean(true);  
        }  
        return new Boolean(false);  
      }  
        
    }  

代码走读

函数的调用模块如下：
1、该UDF用默认的构造器来初始化
2、udf.initialize() 被调用，传人udf参数的object instructors数组，（ListObjectInstructor, StringObjectInstructor）
1) 检查传人的参数有两个与该参数的数据类型是正确的（见上面）
2) 我们保存object instructors用以供evaluate()使用（listOI, elementOI）
3) 返回 object inspector，让Hive能够读取该函数的返回结果（BooleanObjectInspector）
3、对于查询中的每一行，evaluate方法都会被调用，传人该行的指定的列（例如，evaluate(List(“a”, “b”, “c”), “c”) ）。
1) 我们利用initialize方法中存储的object instructors来抽取出正确的值。
2) 我们在这处理我们的逻辑然后用initialize返回的object inspector来序列化返回来的值(list.contains(elemement) ? true : false)。

 

测试

测试该函数比较复杂的部分是初始化，一旦调用顺序明确了，我们就知道怎么去构建该对象测试流程，非常简单。

    public class ComplexUDFExampleTest {  
        
      @Test  
      public void testComplexUDFReturnsCorrectValues() throws HiveException {  
          
        // 建立需要的模型  
        ComplexUDFExample example = new ComplexUDFExample();  
        ObjectInspector stringOI = PrimitiveObjectInspectorFactory.javaStringObjectInspector;  
        ObjectInspector listOI = ObjectInspectorFactory.getStandardListObjectInspector(stringOI);  
        JavaBooleanObjectInspector resultInspector = (JavaBooleanObjectInspector) example.initialize(new ObjectInspector[]{listOI, stringOI});  
          
        // create the actual UDF arguments  
        List<String> list = new ArrayList<String>();  
        list.add("a");  
        list.add("b");  
        list.add("c");  
          
        // 测试结果  
          
        // 存在的值  
        Object result = example.evaluate(new DeferredObject[]{new DeferredJavaObject(list), new DeferredJavaObject("a")});  
        Assert.assertEquals(true, resultInspector.get(result));  
          
        // 不存在的值  
        Object result2 = example.evaluate(new DeferredObject[]{new DeferredJavaObject(list), new DeferredJavaObject("d")});  
        Assert.assertEquals(false, resultInspector.get(result2));  
          
        // 为null的参数  
        Object result3 = example.evaluate(new DeferredObject[]{new DeferredJavaObject(null), new DeferredJavaObject(null)});  
        Assert.assertNull(result3);  
      }  
    }  

结束语

希望这篇文章能够让你了解通过集成怎么去编写hive的自定义函数。
虽然在这篇文章中有一些其他的东西没提及到，但是另外有UDAF函数与UDTF函数，UDAF函数能够在一个函数中处理与聚集多行数据，如果你更感兴趣，这里有一些资源可以提供帮助。

另外，值得一读的书籍有Apache Hive Book from O’Reilly该数包含UDF与UDAF的简明的教程，和代码示例，更容易让你们明白如何去构建这些函数、什么异常你必须要指定、什么类型你必须返回。