- UDAF:用戶自定義聚合函數。
- 實現UDAF函數如果要自定義類要繼承UserDefinedAggregateFunction類
Java代碼:
SparkConf conf = new SparkConf();
conf.setMaster("local").setAppName("udaf");
JavaSparkContext sc = new JavaSparkContext(conf);
SQLContext sqlContext = new SQLContext(sc);
JavaRDD<String> parallelize = sc.parallelize(Arrays.asList("zhansan","lisi","wangwu","zhangsan","zhangsan","lisi"));
JavaRDD<Row> rowRDD = parallelize.map(new Function<String, Row>() {
/**
*
*/
private static final long serialVersionUID = 1L;
@Override
public Row call(String s) throws Exception {
return RowFactory.create(s);
}
});
List<StructField> fields = new ArrayList<StructField>();
fields.add(DataTypes.createStructField("name", DataTypes.StringType, true));
StructType schema = DataTypes.createStructType(fields);
DataFrame df = sqlContext.createDataFrame(rowRDD, schema);
df.registerTempTable("user");
/**
* 註冊一個UDAF函數,實現統計相同值得個數
* 注意:這裏可以自定義一個類繼承UserDefinedAggregateFunction類也是可以的
*/
sqlContext.udf().register("StringCount", new UserDefinedAggregateFunction() {
/**
*
*/
private static final long serialVersionUID = 1L;
/**
* 更新 可以認爲一個一個地將組內的字段值傳遞進來 實現拼接的邏輯
* buffer.getInt(0)獲取的是上一次聚合後的值
* 相當於map端的combiner,combiner就是對每一個map task的處理結果進行一次小聚合
* 大聚和發生在reduce端.
* 這裏即是:在進行聚合的時候,每當有新的值進來,對分組後的聚合如何進行計算
*/
@Override
public void update(MutableAggregationBuffer buffer, Row arg1) {
buffer.update(0, buffer.getInt(0)+1);
}
/**
* 合併 update操作,可能是針對一個分組內的部分數據,在某個節點上發生的 但是可能一個分組內的數據,會分佈在多個節點上處理
* 此時就要用merge操作,將各個節點上分佈式拼接好的串,合併起來
* buffer1.getInt(0) : 大聚和的時候 上一次聚合後的值
* buffer2.getInt(0) : 這次計算傳入進來的update的結果
* 這裏即是:最後在分佈式節點完成後需要進行全局級別的Merge操作
*/
@Override
public void merge(MutableAggregationBuffer buffer1, Row buffer2) {
buffer1.update(0, buffer1.getInt(0) + buffer2.getInt(0));
}
/**
* 指定輸入字段的字段及類型
*/
@Override
public StructType inputSchema() {
return DataTypes.createStructType(
Arrays.asList(DataTypes.createStructField("name",
DataTypes.StringType, true)));
}
/**
* 初始化一個內部的自己定義的值,在Aggregate之前每組數據的初始化結果
*/
@Override
public void initialize(MutableAggregationBuffer buffer) {
buffer.update(0, 0);
}
/**
* 最後返回一個和DataType的類型要一致的類型,返回UDAF最後的計算結果
*/
@Override
public Object evaluate(Row row) {
return row.getInt(0);
}
@Override
public boolean deterministic() {
//設置爲true
return true;
}
/**
* 指定UDAF函數計算後返回的結果類型
*/
@Override
public DataType dataType() {
return DataTypes.IntegerType;
}
/**
* 在進行聚合操作的時候所要處理的數據的結果的類型
*/
@Override
public StructType bufferSchema() {
return
DataTypes.createStructType(
Arrays.asList(DataTypes.createStructField("bf", DataTypes.IntegerType,
true)));
}
});
sqlContext.sql("select name ,StringCount(name) from user group by name").show();
sc.stop();
Scala代碼:
class MyUDAF extends UserDefinedAggregateFunction {
// 聚合操作時,所處理的數據的類型
def bufferSchema: StructType = {
DataTypes.createStructType(Array(DataTypes.createStructField("aaa", IntegerType, true)))
}
// 最終函數返回值的類型
def dataType: DataType = {
DataTypes.IntegerType
}
def deterministic: Boolean = {
true
}
// 最後返回一個最終的聚合值 要和dataType的類型一一對應
def evaluate(buffer: Row): Any = {
buffer.getAs[Int](0)
}
// 爲每個分組的數據執行初始化值
def initialize(buffer: MutableAggregationBuffer): Unit = {
buffer(0) = 0
}
//輸入數據的類型
def inputSchema: StructType = {
DataTypes.createStructType(Array(DataTypes.createStructField("input", StringType, true)))
}
// 最後merger的時候,在各個節點上的聚合值,要進行merge,也就是合併
def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
buffer1(0) = buffer1.getAs[Int](0)+buffer2.getAs[Int](0)
}
// 每個組,有新的值進來的時候,進行分組對應的聚合值的計算
def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
buffer(0) = buffer.getAs[Int](0)+1
}
}
object UDAF {
def main(args: Array[String]): Unit = {
val conf = new SparkConf()
conf.setMaster("local").setAppName("udaf")
val sc = new SparkContext(conf)
val sqlContext = new SQLContext(sc)
val rdd = sc.makeRDD(Array("zhangsan","lisi","wangwu","zhangsan","lisi"))
val rowRDD = rdd.map { x => {RowFactory.create(x)} }
val schema = DataTypes.createStructType(Array(DataTypes.createStructField("name", StringType, true)))
val df = sqlContext.createDataFrame(rowRDD, schema)
df.show()
df.registerTempTable("user")
/**
* 註冊一個udaf函數
*/
sqlContext.udf.register("StringCount", new MyUDAF())
sqlContext.sql("select name ,StringCount(name) from user group by name").show()
sc.stop()
}
}