Hadoop数据分析平台实战——140Hive函数以及自定义函数讲解

离线数据分析平台实战——140Hive函数以及自定义函数讲解

Hive函数介绍

HQL内嵌函数只有195个函数(包括操作符,使用命令show functions查看),基本能够胜任基本的hive开发,但是当有较为复杂的需求的时候,可能需要进行定制的HQL函数开发。
HQL支持三种方式来进行功能的扩展(只支持使用java编写实现自定义函数),分别是:UDF(User-Defined Function)、UDAF(User-Defined Aggregate Function)和UDTF(User-Defined Table-Generating Function)。
当我们使用java语言进行开发完成后,将生成的jar包移到linux机器(hive机器)上,进行函数的创建,然后进行使用即可。

函数创建命令

HQL函数的创建一般分为以下几步:

  1. 添加jar(0.13.*不支持hdfs上的jar添加,14版本才开始支持)
    add jar linux_jar_path
  2. 创建function,语法规则如下:
    create [temporary] function [dbname.]function_name AS class_name;
  3. 使用function,和使用其他函数一样。

函数删除命令

我们可以通过drop命令删除自定义函数,语法规则如下:
drop [temporary] function [if exists] [dbname.]function_name;

自定义UDF介绍

UDF(User-Defined Function)支持一个输入产生一个输出,是一个最常用的自定义函数类型。
实现自定义UDF要求继承类org.apache.hadoop.hive.ql.exec.UDF,并且在自定义UDF类中重载实现evaluate方法,我们可以通过重载多个evaluate方法达到函数参数多样化的需求。
实现案例:
实现一个大小写转换的函数,要求函数通过参数的不同决定是进行那种转换,默认是转换为小写。

UDAF介绍

UDAF(User-Defined Aggregate Function)支持多个输入,一个输出。
在原来的版本中可以通过继承UDAF类来实现自定义UDAF,但是现在hive已经将这个类标注为弃用状态。
现在一般通过继承AbstractGenericUDAFResolver类来实现自定义UDAF,通过这种方式要求实现自定义的GenericUDAFEvaluator。
也就是说在现在的hive版本中,实现自定义UDAF,那么需要实现两个类,分别是AbstractGenericUDAFResolver和GenericUDAFEvaluator。

AbstractGenericUDAFResolver介绍

AbstractGenericUDAFResolver类主要作用就是根据hql调用时候的函数参数来获取具体的GenericUDAFEvaluator实例对象,也就是说实现方法getEvaluator即可,该方法的主要作用就是根据参数的不同返回不同的evaluator实例对象,实现多态性。

GenericUDAFEvaluator介绍

GenericUDAFEvaluator类主要作用就是根据job的不同阶段执行不同的方法。
hive通过GenericUDAFEvaluator.Model来确定job的执行阶段。
PARTIAL1:从原始数据到部分聚合,会调用方法iterate和terminatePartial方法;
PARTIAL2:从部分数据聚合和部分数据聚合,会调用方法merge和terminatePartial;
FINAL:从部分数据聚合到全部数据聚合,会调用方法merge和terminate;
COMPLETE:从原始数据到全部数据聚合,会调用方法iterate和terminate。
除了上面提到的iterate、merge、terminate和terminatePartial以外,还有init(初始化并返回返回值的类型)、getNewAggregationBuffer(获取新的buffer对象,也就是方法之间传递参数的对象),reset(重置buffer对象)。

UDAF案例

实现一个自定义的sum函数。要求函数支持整形和浮点型的sum操作。

UDTF介绍

UDTF(User-Defined Table-Generating Function)支持一个输入多个输出。
一般用于解析工作,比如说解析url,然后获取url中的信息。要求继承类org.apache.hadoop.hive.ql.udf.generic.GenericUDTF,
实现方法:
initialize(返回返回值的参数类型)、process具体的处理方法,一般在这个方法中会调用父类的forward方法进行数据的写出、close关闭资源方法,最终会调用close方法,同MR程序中的cleanUp方法。

实现功能:解析爬虫数据,从数据中读取产品id、产品名称、价格。

常用的三种集成自定义函数的方式

首先要求创建的function是永久function,不能是临时function。

第一种:修改hive-site.xml文件,添加参数hive.aux.jars.path,value为jar包的linux本地路径,要求是以file:///开头的绝对路径。
第二种:直接将jar包移动到hive的lib文件夹中。
第三种:将jar包移动到hdfs上,然后在创建function的时候指定function使用的hdfs上的jar文件绝对路径(包括hdfs://hh:8020/前缀),这样在使用的时候,hive会自动将jar下载到本地进行缓存的。

另外一种hive集成自定义函数的方式

我们可以通过修改hive的源码,进行自定义函数的添加,添加完成后,我们就不需要再手动创建函数。添加步骤如下:

  1. 假设自定义函数的整个包名为com.beifeng.ql.udf.UDFTest, jar文件为beifengUserUDF.jar。将该jar包移动到hive的lib文件夹中。
  2. 修改hive源文件$HIVE_HOME/src/ql/src/java/org/apache/hadoop/hive/ql/exec/FunctionRegistry.java,添加import com.beifeng.ql.udf.UDFTest; registerUDF("test", UDFTest.class,false);
  3. 编译hive后,进行jar包的替换,然后就可以使用函数了。

推荐阅读更多精彩内容

  • hive简介 解释一:Hive是一个数据仓库基础工具在Hadoop中用来处理结构化数据。它架构在Hadoop之上,...
    卡卡xx阅读 4,069评论 0 4
  • Hive进行UDF开发十分简单,此处所说UDF为Temporary的function,所以需要hive版本在0.4...
    本宝宝天然萌阅读 1,834评论 0 3
  • Hive函数 - 简书 http://www.jianshu.com/p/bed0bf1f9a0b cli命令显...
    葡萄喃喃呓语阅读 712评论 0 2
  • Hive函数 函数分类 cli命令显示当前对话有多少函数可用 show functions;显示函数的表述信息 ...
    发条香蕉阅读 1,061评论 0 5
  • 大森林里,有很多动物,这些动物当中,大体上分为三大类;一类是像狮子、老虎,他们喜欢独来独往,更重要的是,他...
    皇城根下拾豆荚阅读 257评论 0 1