Spark學習之路 （十九）SparkSQL的自定義函數UDF

在Spark中，也支持Hive中的自定義函數。自定義函數大致可以分為三種：

• UDF(User-Defined-Function)，即最基本的自定義函數，類似to_char,to_date等
• UDAF（User- Defined Aggregation Funcation），用戶自定義聚合函數，類似在group by之后使用的sum,avg等
• UDTF(User-Defined Table-Generating Functions),用戶自定義生成函數，有點像stream里面的flatMap

自定義一個UDF函數需要繼承UserDefinedAggregateFunction類，並實現其中的8個方法

示例

import org.apache.spark.sql.Row
import org.apache.spark.sql.expressions.{MutableAggregationBuffer, UserDefinedAggregateFunction}
import org.apache.spark.sql.types.{DataType, StringType, StructField, StructType}

object GetDistinctCityUDF extends UserDefinedAggregateFunction{
  /**
    * 輸入的數據類型
    * */
  override def inputSchema: StructType = StructType(
    StructField("status",StringType,true) :: Nil
  )
  /**
    * 緩存字段類型
    * */
  override def bufferSchema: StructType = {
    StructType(
      Array(
        StructField("buffer_city_info",StringType,true)
      )
    )
  }
/**
  * 輸出結果類型
  * */
  override def dataType: DataType = StringType
/**
  * 輸入類型和輸出類型是否一致
  * */
  override def deterministic: Boolean = true
/**
  * 對輔助字段進行初始化
  * */
  override def initialize(buffer: MutableAggregationBuffer): Unit = {
    buffer.update(0,"")
  }
/**
  *修改輔助字段的值
  * */
  override def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
    //獲取最后一次的值
    var last_str = buffer.getString(0)
    //獲取當前的值
    val current_str = input.getString(0)
    //判斷最后一次的值是否包含當前的值
    if(!last_str.contains(current_str)){
      //判斷是否是第一個值，是的話走if賦值，不是的話走else追加
      if(last_str.equals("")){
        last_str = current_str
      }else{
        last_str += "," + current_str
      }
    }
    buffer.update(0,last_str)

  }
/**
  *對分區結果進行合並
  * buffer1是機器hadoop1上的結果
  * buffer2是機器Hadoop2上的結果
  * */
  override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
    var buf1 = buffer1.getString(0)
    val buf2 = buffer2.getString(0)
    //將buf2里面存在的數據而buf1里面沒有的數據追加到buf1
    //buf2的數據按照，進行切分
    for(s <- buf2.split(",")){
      if(!buf1.contains(s)){
        if(buf1.equals("")){
          buf1 = s
        }else{
          buf1 += s
        }
      }
    }
    buffer1.update(0,buf1)
  }
/**
  * 最終的計算結果
  * */
  override def evaluate(buffer: Row): Any = {
    buffer.getString(0)
  }
}

注冊自定義的UDF函數為臨時函數

def main(args: Array[String]): Unit = {
    /**
      * 第一步 創建程序入口
      */
    val conf = new SparkConf().setAppName("AralHotProductSpark")
    val sc = new SparkContext(conf)
    val hiveContext = new HiveContext(sc)
　　//注冊成為臨時函數
    hiveContext.udf.register("get_distinct_city",GetDistinctCityUDF)
　　//注冊成為臨時函數
    hiveContext.udf.register("get_product_status",(str:String) =>{
      var status = 0
      for(s <- str.split(",")){
        if(s.contains("product_status")){
          status = s.split(":")(1).toInt
        }
      }
    })
}