hive中udf

最新推荐文章于 2021-07-12 11:07:52 发布

zhongyoubing

最新推荐文章于 2021-07-12 11:07:52 发布

阅读量854

点赞数

分类专栏： hadoop

本文链接：https://blog.csdn.net/zhongyoubing/article/details/70196190

版权

hadoop 专栏收录该内容

4 篇文章 0 订阅

订阅专栏

1.概述

尽管hive提供了丰富的函数，但有时依然不能满足用户的需求，此时就需要用户实现UDF。

UDF(user define funtion)，用户通过自定义对数据的处理过程，以函数的形式在HiveSQL中使用。

有两种方式在HiveSQL上实现UDF，1、通过java或是通过JVM实现的其他语言，实现UDF；第二种方式，通过 TRANSFORM...AS 语法，使用可执行的脚步语言实现 UDF。接下来，将分别介绍通过 Java 和 Python 实现 Hive 中的 UDF，最后，比较二者在使用过程中的异同。

假设有一张 Hive 表，描述订单基本信息：

CREATE TABLE IF NOT EXISTS order_base(
id                 INT         COMMENT  '自增ID',      
order_sn           STRING      COMMENT  '订单编号',
user_id            INT         COMMENT  '用户ID',
shop_id            INT         COMMENT  '店铺ID',
add_time           INT         COMMENT  '下单时间',
pay_time           INT         COMMENT  '付款时间',
delivery_name      STRING      COMMENT  '收件人姓名',
delivery_address   STRING      COMMENT  '收件人地址',
delivery_phone     STRING      COMMENT  '收件人电话'
)COMMENT '订单基本信息表'
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' LINES TERMINATED BY '\n' 
STORED AS TEXTFILE

现在需要查询收件人地址中出现关键字 大学 的记录，找出对应的 (order_sn， delivery_address)，通过 UDF 实现。

2.java实现UDF

通过 Java 实现 UDF 时，Java 中的类必须继承类 the org.apache.hadoop.hive.ql.exec.UDF。并且，UDF 的实现过程必须写在名称为 evaluate 的函数中。由于 evaluate 并未在 UDF 父类中具体说明，因此，用户实现的UDF中，函数 evaluate的返回类型和参数可以自己指定。当用户实现的 UDF 在 Hive 中执行时，Hive 将会执行函数 evaluate 中的内容。

package UDF

import org.apache.hadoop.hive.ql.exec.UDF;

public class FindSpecifiedWords extends UDF{
	
	public int evaluate(String targetWords,String rawWords)
	{
		int found = 0;
		if (rawWords.contains(targetWords)) {
			found = 1;
		}
		return found;
	}
}

import org.apache.hadoop.hive.ql.exec.UDF;

public class FindSpecifiedWords extends UDF{

public int evaluate(String targetWords,String rawWords)
{
int found = 0;
if (rawWords.contains(targetWords)) {
found = 1;
}
return found;
}
}

由于 org.apache.hadoop.hive.ql.exec.UDF 并非 Java 自带库函数，因此，这里需要引用包含 Hive API的 jar 包

用 Java 实现的 UDF 完成了，打包为 hive-udf-java.jar，现在，需要在 HiveQL 中调用。

在 HiveQL 中使用 UDF 前，首先需要添加 jar 包至 Hive 中，对自定义函数 UDF.FindSpecifiedWords 进行注册，可以被 Hive 中脚本使用：

hive> ADD JAR /mnt/whlminds/hive-udf-java.jar;

这里，对 UDF.FindSpecifiedWords 起别名，方便调用：

CREATE TEMPORARY FUNCTION findwords AS 'UDF.FindSpecifiedWords'

上述步骤，实现了 UDF，在Hive中注册，并起别名方便调用，接下来，就可以在 HiveQL 中使用了：

SELECT t1.order_sn, t1.delivery_address
FROM order_base t1 
WHERE t1.pay_time >= UNIX_TIMESTAMP('2015-10-04 00:00:00') 
AND t1.pay_time < UNIX_TIMESTAMP('2015-10-05 00:00:00') 
AND findwords('大学', t1.delivery_address) = 1;

为查询方便，可以将 Hive 中注册，起别名，以及调用过程一起写在SQL脚本 find_specified_order.sql 中：

ADD JAR /mnt/whlminds/hive-udf-java.jar;

CREATE TEMPORARY FUNCTION findwords AS 'UDF.FindSpecifiedWords';

SELECT t1.order_sn, t1.delivery_address
FROM order_base t1 
WHERE t1.pay_time >= UNIX_TIMESTAMP('2015-10-04 00:00:00') 
AND t1.pay_time < UNIX_TIMESTAMP('2015-10-05 00:00:00') 
AND findwords('大学', t1.delivery_address) = 1;

hive> hive -f find_specified_order.sql

3.python实现UDF

Python 实现 Hive 的 UDF，Python 脚本需要以特定的方式读入和输出，除了必须引用 sys 包外，无须引用其他外部包。

这里，查询出现指定关键字记录的 UDF 的 Python 实现过程 FindSpecifiedWords.py 如下：

#!/usr/bin/python

import sys

for line in sys.stdin:
    order_sn, delivery_address = line.strip().split("\t")

    found = "N"
    pos = delivery_address.decode("utf8").find(u'\u5927\u5b66')
    if(pos > -1):
        found = "Y"
    print "\t".join([order_sn, delivery_address, found])

Python 实现的 UDF，需要批量的读入数据，并一对一的批量输出。其中，u'\u5927\u5b66' 是 大学 的 utf8 的编码。

使用 Python 实现的 UDF 完成后，需要通过 ADD FILE 指令添加至 Hive 中进行注册，无需起别名：

hive > ADD FILE /mnt/whlminds/FindSpecifiedWords.py

注册完后，Python 实现的 UDF 就可以通过 TRANSFORM...AS 在 HiveQL 中使用，语法如下：

SELECT TRANSFORM (<columns>)
USING 'python <python_script>'
AS (<columns>)
FROM <table>;

其中， SELECT 中的 columns 是 FROM 中 table 的列名，而 AS 中的 columns 是经过 USING 中 Python 脚本 python_script 计算返回的列名。

这里，查找包含指定关键字的 HiveQL 脚本如下：

SELECT t2.order_sn, t2.delivery_address
FROM

(SELECT TRANSFORM (t1.order_sn, t1.delivery_address) 
USING 'python FindSpecifiedWords.py' 
AS (order_sn STRING, delivery_address STRING, found STRING)
FROM order_base t1
WHERE t1.pay_time >= UNIX_TIMESTAMP('2015-10-04 00:00:00')
AND t1.pay_time < UNIX_TIMESTAMP('2015-10-05 00:00:00')) t2

WHERE t2.found = 'Y';

为查询方便，可以将 Hive 中注册，以及调用过程一起写在 SQL 脚本 find_specified_order.sql 中：

ADD FILE /mnt/whlminds/FindSpecifiedWords.py;

SELECT t2.order_sn, t2.delivery_address
FROM

(SELECT TRANSFORM (t1.order_sn, t1.delivery_address) 
USING 'python FindSpecifiedWords.py' 
AS (order_sn STRING, delivery_address STRING, found STRING)
FROM order_base t1
WHERE t1.pay_time >= UNIX_TIMESTAMP('2015-10-04 00:00:00')
AND t1.pay_time < UNIX_TIMESTAMP('2015-10-05 00:00:00')) t2

WHERE t2.found = 'Y';

hive> hive -f find_specified_order.sql

比较：

Java 实现 UDF，需要引用包含 Hive API 的外部 jar 包，而 Python 无需引起其他外部包；
Java 实现 UDF 后，需要打包后才可被 HiveQL 调用，而通过 Python 实现 UDF 后，可以在 HiveQL 中直接被调用；
Java 实现 UDF，对读入和输出数据方式没有要求，实现的 UDF 可以输入一条记录的指定列数据，输出结果可以直接在 HiveQL 的 WHERE 中用于判断条件使用；
Python 实现的 UDF，对读入和输出数据方式有特殊要求，需要对 HiveQL 中表的指定列数据批量读入，然后一对一地批量输出，因此，通过 Python 实现的 UDF 可以结合子查询使用。