Hive進行UDF開發十分簡單，此處所說UDF爲Temporary的function，所以需要hive版本在0.4.0以上纔可以。
一、背景：Hive是基於Hadoop中的MapReduce，提供HQL查詢的數據倉庫。Hive是一個很開放的系統，很多內容都支持用戶定製，包括：
a）文件格式：Text File，Sequence File
b）內存中的數據格式： Java Integer/String, Hadoop IntWritable/Text
c）用戶提供的 map/reduce 腳本：不管什麼語言，利用 stdin/stdout 傳輸數據
d）用戶自定義函數: Substr, Trim, 1 – 1
e）用戶自定義聚合函數: Sum, Average…… n – 1
2、定義：UDF(User-Defined-Function)，用戶自定義函數對數據進行處理。
二、用法
1、UDF函數可以直接應用於select語句，對查詢結構做格式化處理後，再輸出內容。
2、編寫UDF函數的時候需要注意一下幾點：
a）自定義UDF需要繼承org.apache.hadoop.hive.ql.UDF。
b）需要實現evaluate函。
c）evaluate函數支持重載。
3、以下是兩個數求和函數的UDF。evaluate函數代表兩個整型數據相加，兩個浮點型數據相加，可變長數據相加
Hive的UDF開發只需要重構UDF類的evaluate函數即可。例：
package hive.connect;
import org.apache.hadoop.hive.ql.exec.UDF;
public final class Add extends UDF {
public Integer evaluate(Integer a, Integer b) {
if (null == a || null == b) {
return null;
} return a + b;
}
public Double evaluate(Double a, Double b) {
if (a == null || b == null)
return null;
return a + b;
}
public Integer evaluate(Integer... a) {
int total = 0;
for (int i = 0; i < a.length; i++)
if (a[i] != null)
total += a[i];
return total;
}
}
4、步驟
a）把程序打包放到目標機器上去；
b）進入hive客戶端，添加jar包：hive>add jar /run/jar/udf_test.jar;
c）創建臨時函數：hive>CREATE TEMPORARY FUNCTION add_example AS 'hive.udf.Add';
d）查詢HQL語句：
SELECT add_example(8, 9) FROM scores;
SELECT add_example(scores.math, scores.art) FROM scores;
SELECT add_example(6, 7, 8, 6.8) FROM scores;
e）銷燬臨時函數：hive> DROP TEMPORARY FUNCTION add_example;
5、細節在使用UDF的時候，會自動進行類型轉換，例如：
SELECT add_example(8,9.1) FROM scores;
1. UDF只能實現一進一出的操作，如果需要實現多進一出，則需要實現UDAF
下面來看下UDAF：
（二）、UDAF
1、Hive查詢數據時，有些聚類函數在HQL沒有自帶，需要用戶自定義實現。
2、用戶自定義聚合函數: Sum, Average…… n – 1
UDAF（User- Defined Aggregation Funcation）
一、用法
1、一下兩個包是必須的import org.apache.hadoop.hive.ql.exec.UDAF和 org.apache.hadoop.hive.ql.exec.UDAFEvaluator。
2、函數類需要繼承UDAF類，內部類Evaluator實UDAFEvaluator接口。
3、Evaluator需要實現 init、iterate、terminatePartial、merge、terminate這幾個函數。
a）init函數實現接口UDAFEvaluator的init函數。
b）iterate接收傳入的參數，並進行內部的輪轉。其返回類型爲boolean。
c）terminatePartial無參數，其爲iterate函數輪轉結束後，返回輪轉數據，terminatePartial類似於hadoop的Combiner。
d）merge接收terminatePartial的返回結果，進行數據merge操作，其返回類型爲boolean。
e）terminate返回最終的聚集函數結果。
package hive.udaf;
import org.apache.hadoop.hive.ql.exec.UDAF;
import org.apache.hadoop.hive.ql.exec.UDAFEvaluator;
public class Avg extends UDAF {
public static class AvgState {
private long mCount;
private double mSum;
}
public static class AvgEvaluator implements UDAFEvaluator {
AvgState state;
public AvgEvaluator() {
super();
state = new AvgState();
init();
}
/** * init函數類似於構造函數，用於UDAF的初始化 */
public void init() {
state.mSum = 0;
state.mCount = 0;
}
/** * iterate接收傳入的參數，並進行內部的輪轉。其返回類型爲boolean * * @param o * @return */
public boolean iterate(Double o) {
if (o != null) {
state.mSum += o;
state.mCount++;
} return true;
}
/** * terminatePartial無參數，其爲iterate函數輪轉結束後，返回輪轉數據， * terminatePartial類似於hadoop的Combiner * * @return */
public AvgState terminatePartial() {
// combiner
return state.mCount == 0 ? null : state;
}
/** * merge接收terminatePartial的返回結果，進行數據merge操作，其返回類型爲boolean * * @param o * @return */
public boolean terminatePartial(Double o) {
if (o != null) {
state.mCount += o.mCount;
state.mSum += o.mSum;
}
return true;
}
/** * terminate返回最終的聚集函數結果 * * @return */
public Double terminate() {
return state.mCount == 0 ? null : Double.valueOf(state.mSum / state.mCount);
}
}
5、執行求平均數函數的步驟
a）將java文件編譯成Avg_test.jar。
b）進入hive客戶端添加jar包：
hive>add jar /run/jar/Avg_test.jar。
c）創建臨時函數：
hive>create temporary function avg_test 'hive.udaf.Avg';
d）查詢語句：
hive>select avg_test(scores.math) from scores;
e）銷燬臨時函數：
hive>drop temporary function avg_test;
五、總結
1、重載evaluate函數。
2、UDF函數中參數類型可以爲Writable，也可爲java中的基本數據對象。
3、UDF支持變長的參數。
4、Hive支持隱式類型轉換。
5、客戶端退出時，創建的臨時函數自動銷燬。
6、evaluate函數必須要返回類型值，空的話返回null，不能爲void類型。
7、UDF是基於單條記錄的列進行的計算操作，而UDFA則是用戶自定義的聚類函數，是基於表的所有記錄進行的計算操作。
8、UDF和UDAF都可以重載。
9、查看函數
SHOW FUNCTIONS;
1. UDTF介紹
UDTF(User-Defined Table-Generating Functions) 用來解決 輸入一行輸出多行(On-to-many maping) 的需求。
2. 編寫自己需要的UDTF
繼承org.apache.hadoop.hive.ql.udf.generic.GenericUDTF。
實現initialize, process, close三個方法
UDTF首先會調用initialize方法，此方法返回UDTF的返回行的信息（返回個數，類型）。初始化完成後，會調用process方法，對傳入的參數進行處理，可以通過forword()方法把結果返回。最後close()方法調用，對需要清理的方法進行清理。
下面是我寫的一個用來切分”key:value;key:value;”這種字符串，返回結果爲key, value兩個字段。供參考：
import java.util.ArrayList;
import org.apache.hadoop.hive.ql.udf.generic.GenericUDTF;
import org.apache.hadoop.hive.ql.exec.UDFArgumentException;
import org.apache.hadoop.hive.ql.exec.UDFArgumentLengthException;
import org.apache.hadoop.hive.ql.metadata.HiveException;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspectorFactory;
import org.apache.hadoop.hive.serde2.objectinspector.StructObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.primitive.PrimitiveObjectInspectorFactory;
public class ExplodeMap extends GenericUDTF{
@Override
public void close() throws HiveException {
// TODO Auto-generated method stub
}
@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");
}
ArrayList<String> fieldNames = new ArrayList<String>();
ArrayList<ObjectInspector> fieldOIs = new ArrayList<ObjectInspector>();
fieldNames.add("col1");
fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);
fieldNames.add("col2");
fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);
return ObjectInspectorFactory.getStandardStructObjectInspector(fieldNames,fieldOIs);
}
@Override
public void process(Object[] args) throws HiveException {
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;
}
}
}
}
3. 使用方法
UDTF有兩種使用方法，一種直接放到select後面，一種和lateral view一起使用。
1：直接select中使用：select explode_map(properties) as (col1,col2) from src;
不可以添加其他字段使用：select a, explode_map(properties) as (col1,col2) from src
不可以嵌套調用：select explode_map(explode_map(properties)) from src
不可以和group by/cluster by/distribute by/sort by一起使用：select explode_map(properties) as (col1,col2) from src group by col1, col2
2：和lateral view一起使用：select src.id, mytable.col1, mytable.col2 from src lateral view explode_map(properties) mytable as col1, col2;
此方法更爲方便日常使用。執行過程相當於單獨執行了兩次抽取，然後union到一個表裏。