Hive 自定义函数
1介绍
Hive自定义函数包括三种UDF、UDAF、UDTF
UDF(User-Defined-Function) 一进一出
UDAF(User- Defined Aggregation Funcation) 聚集函数，多进一出。Count/max/min
UDTF(User-Defined Table-Generating Functions) 一进多出，如lateral view explore)
使用方式 ：在HIVE会话中add 自定义函数的jar文件，然后创建function继而使用函数
1、编写自定义函数
2、打包上传到集群机器中
3、进入hive客户端，添加jar包：hive> add jar /root/hive_udf.jar
4、创建临时函数：hive> create temporary function getLen as 'com.raphael.len.GetLength';
5、销毁临时函数：hive> DROP TEMPORARY FUNCTION getLen;
hive自定义函数中有几类数据类型：
PrimitiveObjectInspector 常用（基本数据类）：
PrimitiveObjectInspector.PrimitiveCategory.STRING
ListObjectInspector
StructObjectInspector
MapObjectInspector
等类型
三种自定义函数都会首先进行参数个数和参数类型检查
参数类型检查（是那一种大类型（primitive...）,然后具体是什么类型）
注意：在所有方法有返回时要注意返回的类型，最重要的是最后返回出去的结果，一般结果的数据类型会在初始化时就定义了，那么在最后返回结果是应该要转化成那种类型
初始化时init:
PrimitiveObjectInspector inputOI;
inputOI = (PrimitiveObjectInspector) parameters[0];
都会定义这种设置输入数据的 ObjectInspector（类型吧）
有多个参数就会设置多个。
在真正处理数据需要获取数据：
long distinctId = PrimitiveObjectInspectorUtils.getLong(objects[0], distinctIdOI);
一般都这样获取，objects是方法的参数，从外界传递进来的，包含很多值，获取第几个值，同时类型是什么（distinctIdOI）
2 UDF
2.1介绍
hive的udf有两种实现方式或者实现的API，一种是udf比较简单，一种是GenericUDF比较复杂。
如果所操作的数据类型都是基础数据类型，如（Hadoop&Hive 基本writable类型，如Text,IntWritable,LongWriable,DoubleWritable等等）。那么简单的org.apache.hadoop.hive.ql.exec.UDF就可以做到。
如果所操作的数据类型是内嵌数据结构，如Map，List和Set，那么要采用org.apache.hadoop.hive.ql.udf.generic.GenericUDF
2.2继承UDF实现
需要继承org.apache.hadoop.hive.ql.UDF，或者
org.apache.hadoop.hive.ql.udf.generic.GenericUDF，前者比较简单，只需要实现evaluate函数，evaluate函数支持重载。
UDF代码如下：
import org.apache.hadoop.hive.ql.exec.UDF;
public class GetLength extends UDF{
public int evaluate(String str) {
try{
return str.length();
}catch(Exception e){
return -1;
}
}
}
2.3继承GenericUDF实现
继承org.apache.hadoop.hive.ql.udf.generic.GenericUDF需要实现三个方法：
1）initialize：只调用一次，在任何evaluate()调用之前可以接收到一个可以表示函数输入参数类型的object inspectors数组。initalize用来验证该函数是否接收正确的参数类型和参数个数，最后提供最后结果对应的数据类型。
2）evaluate：真正的逻辑，读取输入数据，处理数据，返回结果。
3）getDisplayString：返回描述该方法的字符串，没有太多作用。
继承GenericUDF实现UDF，完成url解码功能代码如下：
public class UrlDecodeUDF2 extends GenericUDF {
private transient PrimitiveObjectInspector inputOI;
public ObjectInspector initialize(ObjectInspector[] objectInspectors) throws UDFArgumentException {
// 检查参数数量
if (objectInspectors.length != 1) {
throw new UDFArgumentException("urlDecode() takes only one argument");
}
// 检查参数类型
if (objectInspectors[0].getCategory() != ObjectInspector.Category.PRIMITIVE) {
if (((PrimitiveObjectInspector) objectInspectors[0]).getPrimitiveCategory() != PrimitiveObjectInspector.PrimitiveCategory.STRING) {
throw new UDFArgumentTypeException(0, "Only String type argument are accepted, but "
\+ objectInspectors[0].getTypeName() + " was pass as parameter 1");
}
}
// 设置输入数据的 ObjectInspector
inputOI = (PrimitiveObjectInspector) objectInspectors[0];
// 输出数据的 ObjectInspector
return PrimitiveObjectInspectorFactory.writableStringObjectInspector;
}
public Object evaluate(DeferredObject[] deferredObjects) throws HiveException {
if (deferredObjects == null || deferredObjects[0] == null) {
return new Text("");
}
// 提取数据
String component = PrimitiveObjectInspectorUtils.getString(deferredObjects[0].get(), inputOI);
if (component == null || component.length() <= 0) {
return "";
}
String result = "";
//使用%25替换字符串中的%号
component = component.replaceAll("%(?![0-9a-fA-F]{2})", "%25");
try {
result = URLDecoder.decode(component, "UTF-8");
// result = URLDecoder.decode(result, "UTF-8");
} catch (UnsupportedEncodingException e) {
result = component;
}
System.out.println(result);
return result;
}
public String getDisplayString(String[] strings) {
StringBuilder sb = new StringBuilder();
sb.append("url_decode");
sb.append("(");
if (strings.length > 0) {
sb.append(strings[0]);
for (int index = 1; index < strings.length - 1; index++) {
sb.append(",");
sb.append(strings[index]);
}
}
sb.append(")");
return sb.toString();
}
}
一 新建JAVA项目 并添加 hive-exec-2.1.0.jar 和hadoop-common-2.7.3.jar
hive-exec-2.1.0.jar 在HIVE安装目录的lib目录下
hadoop-common-2.7.3.jar在hadoop的安装目录下的\share\hadoop\common
二 编一个一个类并继承UDF 并重写evaluate方法
下面以rownum为例
package com.udf;
import org.apache.hadoop.hive.ql.exec.UDF;
import org.apache.hadoop.io.Text;
public class RowNumUDF extends UDF{
public static String signature = "_";
public static int order = 0;
public int evaluate(Text text){
if(text != null){
//分组排序的依据，列名，通常为主键
String colName = text.toString();
//处理第一条数据
if(signature == "_"){
//记下分组排序的字段：主键，并将rownum设为1
signature = colName;
order = 1;
//返回rownum
return order;
}else{
//首先比对是否和上一条主键相同
if(signature.equals(colName)){
//rownum依次加1
order++;
return order;
}else{
//如果主键改变，将rownum设为1
signature = colName;
order = 1;
return order;
}
}
}else{
//如果主键为空，则返回-1
return -1;
}
}
}
三 导出位jar包并在HIVE中注册
3 UDAF
3.1介绍
多行进一行出，如sum()、min()，用在group by时。开发通用UDAF有两个步骤
1、第一个是编写resolver类（继承AbstractGenericUDAFResolver），
2、第二个是编写evaluator类（继承GenericUDAFEvaluator）在resolver类内部。
resolver负责类型检查，操作符重载。evaluator真正实现UDAF的逻辑。通常来说，顶层UDAF类继承org.apache.hadoop.hive.ql.udf.GenericUDAFResolver，里面编写嵌套类evaluator （继承GenericUDAFEvaluator）实现UDAF的逻辑。
实现evaluator所有evaluators必须继承抽象类
org.apache.hadoop.hive.ql.udf.generic.GenericUDAFEvaluator。子类必须实现它的一些抽象方法，实现UDAF的逻辑。
同时需要一个继承了AggregationBuffer的类，来存储中间过程中记录的数据
3.2 Mode
GenericUDAFEvaluator有一个嵌套类Mode,这个类很重要，它表示了udaf在mapreduce的各个阶段，理解Mode的含义，就可以理解了hive的UDAF的运行流程。
PARTIAL1, //从原始数据到部分聚合数据的过程（map阶段），将调用iterate()和terminatePartial()方法。
PARTIAL2, //从部分聚合数据到部分聚合数据的过程（map端的combiner阶段），将调用merge() 和terminatePartial()方法。
FINAL, //从部分聚合数据到全部聚合的过程（reduce阶段），将调用merge()和 terminate()方法。
COMPLETE //从原始数据直接到全部聚合的过程（表示只有map，没有reduce，map端直接出结果），将调用merge() 和 terminate()方法。
public static enum Mode {
/**
* PARTIAL1: 这个是mapreduce的map阶段:从原始数据到部分数据聚合
* 将会调用iterate()和terminatePartial()
*/
PARTIAL1,
/**
* PARTIAL2: 这个是mapreduce的map端的Combiner阶段，负责在map端合并map的数据::从部分数据聚合到部分数据聚合:
* 将会调用merge() 和 terminatePartial()
*/
PARTIAL2,
/**
* FINAL: mapreduce的reduce阶段:从部分数据的聚合到完全聚合
* 将会调用merge()和terminate()
*/
FINAL,
/**
* COMPLETE: 如果出现了这个阶段，表示mapreduce只有map，没有reduce，所以map端就直接出结果了:从原始数据直接到完全聚合
* 将会调用 iterate()和terminate()
*/
COMPLETE
};
一般情况下，完整的UDAF逻辑是一个mapreduce过程，如果有mapper和reducer，就会经历PARTIAL1(mapper)，FINAL(reducer)，如果还有combiner，那就会经历PARTIAL1(mapper)，PARTIAL2(combiner)，FINAL(reducer)。
而有一些情况下的mapreduce，只有mapper，而没有reducer，所以就会只有COMPLETE阶段，这个阶段直接输入原始数据，出结果。
3.3实现代码分析
UDAF的实现代码主干如下：
//最外层继承AbstractGenericUDAFResolver
public class GenericUDAFSum extends AbstractGenericUDAFResolver {
static final Log LOG = LogFactory.getLog(GenericUDAFSum.class.getName());
//实现getEvaluator方法
@Override
public GenericUDAFEvaluator getEvaluator(TypeInfo[] parameters)
throws SemanticException {
// Type-checking goes here!
return new GenericUDAFSumLong();
}
//编写一个类，继承GenericUDAFEvaluator，实现所有方法
public static class GenericUDAFSumLong extends GenericUDAFEvaluator {
// UDAF logic goes here!
}
}
说明：
1、getEvaluator：继承AbstractGenericUDAFResolver 所需要实现的方法，也只需要重写这一个方法，作用是检查参数个数，参数类型等，然后返回GenericUDAFEvaluator对象。
2、GenericUDAFEvaluator：getEvaluator最后返回类型就是这个类，真正返回（return）的是继承实现GenericUDAFEvaluator的类。
例如GenericUDAFSumLong 继承GenericUDAFEvaluator需要实现如下方法：
1、init（初始化）：确定返回类型并返回UDAF的返回类型，
2、getNewAggregationBuffer：创建新的聚合计算的需要的内存，用来存储mapper,combiner,reducer运算过程中的相加总和，获取聚合中间结果缓存
3、reset：重置中间结果缓存
4、iterate： 迭代每一行的数据，等同于 Map 阶段。传进来的行数据由 HiveSQL 决定，计算的中间结果缓存到 AggregationBuffer ，@param aggregationBuffer 中间结果缓存，@param objects 行中每一列的数据
5、terminatePartial（终止部分）：对部分中间结果数据进行合并，等同于 Map 阶段的 combine，返回mapper结果，combine后的结果
6、merge（合并）：在最终进行 terminate() 前对所有传入的中间结果进行合并，等同于 Reduce 阶段的 merge。 各个 Map 传来的中间结果 partial 合并到 aggregationBuffer
7、terminate（终止）：计算合并后的数据得出最终结果,等同于 Reduce 阶段的逻辑。reducer返回结果，或者是只有mapper，没有reducer时，在mapper端返回结果。
3.4代码示例
例子如下：
public class UDAFDemo extends AbstractGenericUDAFResolver {
static final Log LOG = LogFactory.getLog(GenericUDAFSum.class.getName());
public GenericUDAFEvaluator getEvaluator(TypeInfo[] parameters)
throws SemanticException {
// 检查参数个数
if (parameters.length != 1) {
throw new UDFArgumentTypeException(parameters.length - 1,
"Exactly one argument is expected.");
}
// 检查参数类型
if (parameters[0].getCategory() != ObjectInspector.Category.PRIMITIVE) {
throw new UDFArgumentTypeException(0,
"Only primitive type arguments are accepted but "
+ parameters[0].getTypeName() + " is passed.");
}
// // 检查参数类型
// if (parameters[0].getCategory() != ObjectInspector.Category.PRIMITIVE) {
// throw new UDFArgumentTypeException(0, "Only primitive type argument are accepted but "
// + parameters[0].getTypeName() + " was passed as parameter 1");
// }
// if (((PrimitiveTypeInfo) parameters[0]).getPrimitiveCategory() != PrimitiveObjectInspector.PrimitiveCategory.LONG) {
// throw new UDFArgumentTypeException(0, "Only Long Type type argument are accepted but "
// + parameters[0].getTypeName() + " was passed as parameter 1");
// }
// 检查参数类型
switch (((PrimitiveTypeInfo) parameters[0]).getPrimitiveCategory()) {
case BYTE:
case SHORT:
case INT:
case LONG:
case TIMESTAMP:
return new GenericUDAFSumLong();
case FLOAT:
case DOUBLE:
// case STRING:
// return new GenericUDAFSumDouble();
case BOOLEAN:
default:
throw new UDFArgumentTypeException(0,
"Only numeric or string type arguments are accepted but "
+ parameters[0].getTypeName() + " is passed.");
}
}
public static class GenericUDAFSumLong extends GenericUDAFEvaluator {
private PrimitiveObjectInspector inputOI;
private LongWritable result;
/* 存储sum的值的类 /
static class SumLongAgg implements AggregationBuffer {
boolean empty;
long sum;
}
//这个方法返回了UDAF的返回类型，这里确定了sum自定义函数的返回类型是Long类型
public ObjectInspector init(Mode m, ObjectInspector[] parameters) throws HiveException {
assert (parameters.length == 1);
super.init(m, parameters);
result = new LongWritable(0);
inputOI = (PrimitiveObjectInspector) parameters[0];
return PrimitiveObjectInspectorFactory.writableLongObjectInspector;
}
//创建新的聚合计算的需要的内存，用来存储mapper,combiner,reducer运算过程中的相加总和
public AggregationBuffer getNewAggregationBuffer() throws HiveException {
SumLongAgg result = new SumLongAgg();
reset(result);
return result;
}
//mapreduce支持mapper和reducer的重用，所以为了兼容，也需要做内存的重用。
public void reset(AggregationBuffer aggregationBuffer) throws HiveException {
SumLongAgg myagg = (SumLongAgg) aggregationBuffer;
myagg.empty = true;
myagg.sum = 0;
}
private boolean warned = false;
//map阶段调用，只要把保存当前和的对象agg，再加上输入的参数，就可以了。
public void iterate(AggregationBuffer aggregationBuffer, Object[] objects) throws HiveException {
assert (objects.length == 1);
try {
merge(aggregationBuffer, objects[0]);
}catch (NumberFormatException e) {
if (!warned) {
warned = true;
LOG.warn(getClass().getSimpleName() + " "
+ StringUtils.stringifyException(e));
}
}
}
//mapper结束要返回的结果，还有combiner结束返回的结果
public Object terminatePartial(AggregationBuffer aggregationBuffer) throws HiveException {
return terminate(aggregationBuffer);
}
//combiner合并map返回的结果，还有reducer合并mapper或combiner返回的结果。
public void merge(AggregationBuffer aggregationBuffer, Object o) throws HiveException {
if (o != null) {
SumLongAgg agg = (SumLongAgg) aggregationBuffer;
agg.sum += PrimitiveObjectInspectorUtils.getLong(o, inputOI);
agg.empty = false;
}
}
//reducer返回结果，或者是只有mapper，没有reducer时，在mapper端返回结果。
public Object terminate(AggregationBuffer aggregationBuffer) throws HiveException {
SumLongAgg ragg = (SumLongAgg) aggregationBuffer;
if (ragg.empty) {
return null;
}
result.set(ragg.sum);
return result;
}
}
}
4 UDTF
4.1介绍
udtf用来解决输入一行输出多行(On-to-many maping) 的需求，需要继承org.apache.hadoop.hive.ql.udf.generic.GenericUDTF来实现三个方法。
1、initialize：返回UDTF的返回行的信息（返回个数，类型）。
2、process：真正的处理过程在process函数中，在process中，每一次forward()调用产生一行；如果产生多列可以将多个列的值放在一个数组中，然后将该数组传入到forward()函数。
3、close：对需要清理的方法进行清理。
forward()传入的就是最后的结果，里面一般是数组，数组有多少个元素就代码最后一行输出的结果有多少列
4.2代码示例
下面有一个切分”key:value;key:value;”这种字符串，返回结果为key, value两个字段。
public class UDTFDemo extends GenericUDTF {
@Override
public void close() throws HiveException {
// TODO Auto-generated method stub
}
/**
* 此方法返回UDTF的返回行的信息（返回个数，类型）
*/
@Override
public StructObjectInspector initialize(ObjectInspector[] args)
throws UDFArgumentException {
if (args.length != 1) {
throw new UDFArgumentLengthException("ExplodeMap takes only one argument");
}
if (args[0].getCategory() != ObjectInspector.Category.PRIMITIVE) {
throw new UDFArgumentException("ExplodeMap takes string as a parameter");
}
//多出的列名
ArrayList
//每一列的类型
ArrayList
fieldNames.add("c1");
fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);
fieldNames.add("c2");
fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);
return ObjectInspectorFactory.getStandardStructObjectInspector(fieldNames,fieldOIs);
}
/**
* 初始化完成之后会调用process方法,真正的处理过程在process函数中，在process中，每一次forward()调用产生一行；
* 如果产生多列可以将多个列的值放在一个数组中，然后将该数组传入到forward()函数。
*/
@Override
public void process(Object[] args) throws HiveException {
//每一行数 key:value,key:value,key:value
String input = args[0].toString();
String[] test = input.split(";");
for(int i=0; i<test.length; i++) {
try {
String[] result = test[i].split(":");
forward(result);
} catch (Exception e) {
continue;
}
}
}
}
5注意点（坑点）
1、使用String进行数据传递时，有时会出现String强转Hadoop的Text类型异常，或者Integer强转类型Text异常。
示例：自定义UDAF ：
实现这个功能时：udaf的输出的list，类型是Object类型，最后统计时使用map存放计数map
2、注意在一些稍微复杂的udaf中会使用list或者其他类型，在中间进行聚合等其他操作时，不同操作的传入的参数类型可能不同，最开始可能传递进来的数据是字符串类型或者Double类型的，但是经过一次迭代或者聚合之后变成了list，那么下一次或者下一个流程的传入数据的类型就变成了list，这时需要在初始化参数类型的时候定义好，如：
根据mode的流程判断处于哪一个阶段，参数类型就哪一种，就切换成哪一种，这里的返回值是定义的最终的返回结果。