Hive UDF开发

news2024/9/22 19:45:11

Hive中，除了提供丰富的内置函数（见Hive函数大全–完整版(二)）之外，还允许用户使用Java开发自定义的UDF函数。

开发自定义UDF函数有两种方式，一个是继承org.apache.hadoop.hive.ql.exec.UDF，另一个是继承org.apache.hadoop.hive.ql.udf.generic.GenericUDF；

如果是针对简单的数据类型（比如String、Integer等）可以使用UDF，如果是针对复杂的数据类型（比如Array、Map、Struct等），可以使用GenericUDF，另外，GenericUDF还可以在函数开始之前和结束之后做一些初始化和关闭的处理操作。

UDF

使用UDF非常简单，只需要继承org.apache.hadoop.hive.ql.exec.UDF，并定义

public Object evaluate(Object args) {} 方法即可。

比如，下面的UDF函数实现了对一个String类型的字符串取HashMD5：

package net.csdn.hive.udf;

import org.apache.hadoop.hbase.util.Bytes;
import org.apache.hadoop.hbase.util.MD5Hash;
import org.apache.hadoop.hive.ql.exec.UDF;

public class HashMd5 extends UDF {
public String evaluate(String cookie) {
return MD5Hash.getMD5AsHex(Bytes.toBytes(cookie));
}
}

将上面的HashMd5类打成jar包，udf.jar

使用时候，在Hive命令行执行：

hdfs dfs -put -f udf.jar  hdfs://xxxxx/user/hive/jars/
CREATE function str_md5 as 'net.csdn.hive.udf.HashMd5' using jar 'hdfs://xxxxx/user/hive/jars/udf.jar';;
select str_md5(‘test.com’) from dual;

GenericUDF

继承org.apache.hadoop.hive.ql.udf.generic.GenericUDF之后，需要重写几个重要的方法：

public void configure(MapredContext context) {}

//可选，该方法中可以通过context.getJobConf()获取job执行时候的Configuration；

//可以通过Configuration传递参数值

public ObjectInspector initialize(ObjectInspector[] arguments)

//必选，该方法用于函数初始化操作，并定义函数的返回值类型；

//比如，在该方法中可以初始化对象实例，初始化数据库链接，初始化读取文件等；

public Object evaluate(DeferredObject[] args){}

//必选，函数处理的核心方法，用途和UDF中的evaluate一样；

public String getDisplayString(String[] children)

//必选，显示函数的帮助信息

public void close(){}

//可选，map完成后，执行关闭操作

下面的程序将一个以逗号分隔的字符串，切分成List，并返回：

package net.csdn.hive.udf;

import java.util.ArrayList;
import java.util.Date;

import org.apache.hadoop.hive.ql.exec.MapredContext;
import org.apache.hadoop.hive.ql.exec.UDFArgumentException;
import org.apache.hadoop.hive.ql.metadata.HiveException;
import org.apache.hadoop.hive.ql.udf.generic.GenericUDF;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspectorFactory;
import org.apache.hadoop.hive.serde2.objectinspector.PrimitiveObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.primitive.PrimitiveObjectInspectorFactory;

/**
* 该函数用于将字符串切分成List，并返回
*/
public class SplitStringGenericUDF extends GenericUDF {

private static int mapTasks = 0;
private static String init = "";
private transient ArrayList ret = new ArrayList();

@Override
public void configure(MapredContext context) {
    System.out.println(new Date() + "######## configure");
    if(null != context) {
        //从jobConf中获取map数
        mapTasks = context.getJobConf().getNumMapTasks();
    }
    System.out.println(new Date() + "######## mapTasks [" + mapTasks + "] ..");
}

@Override
public ObjectInspector initialize(ObjectInspector[] arguments)
throws UDFArgumentException {
    System.out.println(new Date() + "######## initialize");
    //初始化文件系统，可以在这里初始化读取文件等
    init = "init";
    //定义函数的返回类型为java的List
    ObjectInspector returnOI = PrimitiveObjectInspectorFactory
    .getPrimitiveJavaObjectInspector(PrimitiveObjectInspector.PrimitiveCategory.STRING);
    return ObjectInspectorFactory.getStandardListObjectInspector(returnOI);
}

@Override
public Object evaluate(DeferredObject[] args) throws HiveException {
    ret.clear();
    if(args.length < 1) return ret;
    //获取第一个参数
    String str = args[0].get().toString();
    String[] s = str.split(",",-1);
    for(String word : s) {
        ret.add(word);
    }
    return ret;
}

@Override
public String getDisplayString(String[] children) {
    return "Usage: SplitStringGenericUDF(String str)";
}

}

其中

在configure方法中，获取了本次任务的Map Task数目；
在initialize方法中，初始化了一个变量init，并定义了返回类型为java的List类型；
getDisplayString方法中显示函数的用法；
evaluate是核心的逻辑处理；

需要特别注意的是，configure方法，“This is only called in runtime of MapRedTask”,该方法只有在运行map task时候才被执行。它和initialize用法不一样，如果在initialize时候去使用MapredContext，则会报Null，因为此时MapredContext还是Null。

上面的函数执行后，在MapReduce的日志中打印出了以下内容：

即在MapReduce阶段，GenericUDF几个方法的执行顺序为：