PySpark UDF 简要教程

  1. 最简单的注册UDF ---- 直接将lambda表达式注册成UDF
    下面是一个简单的清洗函数
from pyspark.sql.types import StringType
spark.udf.register('sex_distinct', lambda x: 'M' if x == u'男' else 'F', StringType())
spark.sql("""
select sex_distinct('男')
""").show()

结果

+---------------+
|sex_distinct(男)|
+---------------+
|              M|
+---------------+
  1. 很多时候逻辑比较复杂,匿名函数不能完成工作,可以自己def一个函数,将def的函数名填入上面lambda函数所在位置就行
from pyspark.sql.types import StringType
def sex_distinct(sex_chinese):
    if sex_chinese == u'男':
        return u'M'
    else:
        return u'F'

spark.udf.register('sex_distinct_rename', sex_distinct, StringType())


spark.sql("""
select sex_distinct_rename('女')
""").show()

源码分析

    def register(self, name, f, returnType=None):
        """注册python的函数或自定义的函数为udf

        :param name: sql语句中的函数名
        :param f: 函数,可以python的,也可以是自定义的
        :param returnType: 
        ["DataType", "NullType", "StringType", "BinaryType", "BooleanType", "DateType",
        "TimestampType", "DecimalType", "DoubleType", "FloatType", "ByteType", "IntegerType",
        "LongType", "ShortType", "ArrayType", "MapType", "StructField", "StructType"]
        可以看出规律了吧,和sql中的一一对应
        :return: a user-defined function.

        To register a nondeterministic Python function, users need to first build
        a nondeterministic user-defined function for the Python function and then register it
        as a SQL function.

        `returnType` can be optionally specified when `f` is a Python function but not
        when `f` is a user-defined function. Please see below.

        1. 当f是python内部的函数(所谓python内部的函数就是python自带的函数)

            `returnType` 默认是 string type 并且可以按需指定. 返回类型必须匹配指定类型. 
            这种情况约等于
            `register(name, f, returnType=StringType())`.

            >>> strlen = spark.udf.register("stringLengthString", lambda x: len(x))
            >>> spark.sql("SELECT stringLengthString('test')").collect()
            [Row(stringLengthString(test)=u'4')]

            >>> spark.sql("SELECT 'foo' AS text").select(strlen("text")).collect()
            [Row(stringLengthString(text)=u'3')]

            >>> from pyspark.sql.types import IntegerType
            >>> _ = spark.udf.register("stringLengthInt", lambda x: len(x), IntegerType())
            >>> spark.sql("SELECT stringLengthInt('test')").collect()
            [Row(stringLengthInt(test)=4)]


        2. 当f是用户自定义的函数

            Spark uses the return type of the given user-defined function as the return type of
            the registered user-defined function. `returnType` should not be specified.
            In this case, this API works as if `register(name, f)`.

            >>> from pyspark.sql.types import IntegerType
            >>> from pyspark.sql.functions import udf
            >>> slen = udf(lambda s: len(s), IntegerType())
            >>> _ = spark.udf.register("slen", slen)
            >>> spark.sql("SELECT slen('test')").collect()
            [Row(slen(test)=4)]

            >>> import random
            >>> from pyspark.sql.functions import udf
            >>> from pyspark.sql.types import IntegerType
            >>> random_udf = udf(lambda: random.randint(0, 100), IntegerType()).asNondeterministic()
            >>> new_random_udf = spark.udf.register("random_udf", random_udf)
            >>> spark.sql("SELECT random_udf()").collect()  # doctest: +SKIP
            [Row(random_udf()=82)]

            >>> from pyspark.sql.functions import pandas_udf, PandasUDFType
            >>> @pandas_udf("integer", PandasUDFType.SCALAR)  # doctest: +SKIP
            ... def add_one(x):
            ...     return x + 1
            ...
            >>> _ = spark.udf.register("add_one", add_one)  # doctest: +SKIP
            >>> spark.sql("SELECT add_one(id) FROM range(3)").collect()  # doctest: +SKIP
            [Row(add_one(id)=1), Row(add_one(id)=2), Row(add_one(id)=3)]

            >>> @pandas_udf("integer", PandasUDFType.GROUPED_AGG)  # doctest: +SKIP
            ... def sum_udf(v):
            ...     return v.sum()
            ...
            >>> _ = spark.udf.register("sum_udf", sum_udf)  # doctest: +SKIP
            >>> q = "SELECT sum_udf(v1) FROM VALUES (3, 0), (2, 0), (1, 1) tbl(v1, v2) GROUP BY v2"
            >>> spark.sql(q).collect()  # doctest: +SKIP
            [Row(sum_udf(v1)=1), Row(sum_udf(v1)=5)]

            .. note:: Registration for a user-defined function (case 2.) was added from
                Spark 2.3.0.
        """
        # This is to check whether the input function is from a user-defined function or
        # Python function.
        if hasattr(f, 'asNondeterministic'):
            if returnType is not None:
                raise TypeError(
                    "Invalid returnType: data type can not be specified when f is"
                    "a user-defined function, but got %s." % returnType)
            if f.evalType not in [PythonEvalType.SQL_BATCHED_UDF,
                                  PythonEvalType.SQL_SCALAR_PANDAS_UDF,
                                  PythonEvalType.SQL_GROUPED_AGG_PANDAS_UDF]:
                raise ValueError(
                    "Invalid f: f must be SQL_BATCHED_UDF, SQL_SCALAR_PANDAS_UDF or "
                    "SQL_GROUPED_AGG_PANDAS_UDF")
            register_udf = UserDefinedFunction(f.func, returnType=f.returnType, name=name,
                                               evalType=f.evalType,
                                               deterministic=f.deterministic)
            return_udf = f
        else:
            if returnType is None: #这里指定了返回类型默认为StringType()
                returnType = StringType()
            register_udf = UserDefinedFunction(f, returnType=returnType, name=name,
                                               evalType=PythonEvalType.SQL_BATCHED_UDF)
            return_udf = register_udf._wrapped()
        self.sparkSession._jsparkSession.udf().registerPython(name, register_udf._judf)
        return return_udf
  1. 复杂数据类型,ArrayTypeMapTypeStructType

    1. ArrayType Demo
from pyspark.sql.types import *

def split_to_array(input_string):
    word_list = input_string.split('|')
    return word_list

spark.udf.register('split_to_array', split_to_array, ArrayType(StringType()))

spark.sql("""
select split_to_array('我| shi|真的')
""").show()

结果

+-------------------------+
|split_to_array(我| shi|真的)|
+-------------------------+
|            [我,  shi, 真的]|
+-------------------------+
  1. MapType Demo
from pyspark.sql.types import *

def word_count(input_string):
    word_dict = {}
    word_list = input_string.split(' ')
    for word in word_list:
        word_dict[word] = 0
    
    for word in word_list:
        word_dict[word] += 1

    return word_dict

spark.udf.register('word_count', word_count, MapType(StringType(), IntegerType()))

spark.sql("""
select word_count('this apple belong to big apple')
""").show(truncate=False)

结果

+----------------------------------------------------------+
|word_count(this apple belong to big apple)                |
+----------------------------------------------------------+
|Map(this -> 1, big -> 1, belong -> 1, to -> 1, apple -> 2)|
+----------------------------------------------------------+
  1. StructType Demo
from pyspark.sql.types import *
import hashlib

def string_to_struct(input_string):
    my_dict={}
    m = hashlib.md5()
    m.update(input_string.encode('utf-8'))
    my_dict['id'] = m.hexdigest()
    my_dict['content'] = input_string
    return my_dict

schema = StructType([
    StructField("id", StringType(), True),
    StructField("content", StringType(), True)
])

spark.udf.register('string_to_struct', string_to_struct, schema)

df = spark.sql("""
select string_to_struct('my name is hello world')
""")

df.show(truncate=False)

df.printSchema()

结果

+---------------------------------------------------------+
|string_to_struct(my name is hello world)                 |
+---------------------------------------------------------+
|[1e030e259e2c7759fb24572ac4d62d3f,my name is hello world]|
+---------------------------------------------------------+

root
 |-- string_to_struct(my name is hello world): struct (nullable = true)
 |    |-- id: string (nullable = true)
 |    |-- content: string (nullable = true)

可以看出规律了吧,python中的类型要和自己定义的复杂类型对应起来。
此外,复杂数据类型支持嵌套,array中可以嵌套structmaparray,其他同理。

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 159,716评论 4 364
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 67,558评论 1 294
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 109,431评论 0 244
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 44,127评论 0 209
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 52,511评论 3 287
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 40,692评论 1 222
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 31,915评论 2 313
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 30,664评论 0 202
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 34,412评论 1 246
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 30,616评论 2 245
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 32,105评论 1 260
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 28,424评论 2 254
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 33,098评论 3 238
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 26,096评论 0 8
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 26,869评论 0 197
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 35,748评论 2 276
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 35,641评论 2 271

推荐阅读更多精彩内容