Hive用户自定义聚合函数(UDAF)

用户自定义聚合函数，用户提供的多个入参通过聚合计算(求和、求最大值、求最小值)得到一个聚合计算结果的函数。
问题：UDF也可以提供输入多个参数然后输出一个结果的运算，比如加法运算add(3，5)，add这个UDF需要实现UDF的evaluate方法,那么UDF和UDAF的实质分别究竟是什么？

Double evaluate(Double a, Double b)

1.什么是UDAF

UDF只能实现一进一出的操作，如果需要实现多进一出，则需要实现UDAF。比如： Hive查询数据时，有些聚类函数在HQL没有自带，需要用户自定义实现； 用户自定义聚合函数: Sum, Average

2.实现UFAF的步骤

• 引入如下两下类

import org.apache.hadoop.hive.ql.exec.UDAF  
import org.apache.hadoop.hive.ql.exec.UDAFEvaluator 

• 函数类需要继承UDAF类，计算类Evaluator实现UDAFEvaluator接口
• Evaluator需要实现UDAFEvaluator的init、iterate、terminatePartial、merge、terminate这几个函数。
  a）init函数实现接口UDAFEvaluator的init函数。
  b）iterate接收传入的参数，并进行内部的迭代。其返回类型为boolean。
  c）terminatePartial无参数，其为iterate函数遍历结束后，返回遍历得到的数据，terminatePartial
  类似于 hadoop的Combiner。
  d）merge接收terminatePartial的返回结果，进行数据merge操作，其返回类型为boolean。
  e）terminate返回最终的聚集函数结果。

3.实例

计算平均数

package hive.udaf;  

import org.apache.hadoop.hive.ql.exec.UDAF;  
import org.apache.hadoop.hive.ql.exec.UDAFEvaluator;  

public class Avg extends UDAF {  
    public static class AvgState {  
        private long mCount;  
        private double mSum;  

    }  

    public static class AvgEvaluator implements UDAFEvaluator {  
        AvgState state;  

        public AvgEvaluator() {  
            super();  
            state = new AvgState();  
            init();  
        }  

        /** 
         * init函数类似于构造函数，用于UDAF的初始化 
         */  
        public void init() {  
            state.mSum = 0;  
            state.mCount = 0;  
        }  

        /** 
         * iterate接收传入的参数，并进行内部的轮转。其返回类型为boolean * * @param o * @return 
         */  

        public boolean iterate(Double o) {  
            if (o != null) {  
                state.mSum += o;  
                state.mCount++;  
            }  
            return true;  
        }  

        /** 
         * terminatePartial无参数，其为iterate函数遍历结束后，返回轮转数据， * terminatePartial类似于hadoop的Combiner * * @return 
         */  

        public AvgState terminatePartial() {  
            // combiner  
            return state.mCount == 0 ? null : state;  
        }  

        /** 
         * merge接收terminatePartial的返回结果，进行数据merge操作，其返回类型为boolean * * @param o * @return 
         */  

        public boolean merge(AvgState avgState) {  
            if (avgState != null) {  
                state.mCount += avgState.mCount;  
                state.mSum += avgState.mSum;  
            }  
            return true;  
        }  

        /** 
         * terminate返回最终的聚集函数结果 * * @return 
         */  
        public Double terminate() {  
            return state.mCount == 0 ? null : Double.valueOf(state.mSum / state.mCount);  
        }  
    }  
}  

4. Hive中使用UDAF

• 将java文件编译成udaf_avg.jar
• 进入hive客户端添加jar包

hive>add jar /home/hadoop/udaf_avg.jar  

• 创建临时函数

hive>create temporary function udaf_avg 'hive.udaf.Avg'  

• 查询语句

hive>select udaf_avg(people.age) from people  

• 销毁临时函数

hive>drop temporary function udaf_avg  

5. 总结

通过上面的介绍，可以看到UDAF的用法与UDF的区别了，UDF虽然可以接收多个入参，但是参数个数是固定的(其实也可以不固定，只要evaluate方法的参数类型是变长参数即可，但是一般不这么用)，而UDAF的入参是元素个数不固定的集合，这个集合只要可遍历(使用Evaluator的iterate方法遍历)即可，上面的入参是people表的所有age列。


UDF是对只有单条记录的列进行的计算操作，而UDFA则是用户自定义的聚类函数，是基于表的所有记录进行的计算操作。