Spark SQL 中 UDF 和 UDAF 的使用

1,675 阅读2分钟

Spark SQL 支持 Hive 的 UDF(User defined functions) 和 UDAF(User defined aggregation functions)

UDF 传入参数只能是表中的 1 行数据(可以是多列字段),传出参数也是 1 行,具体使用如下:

/**
 * 拼接一行中两列字段,数据类型一个为长整型,一个为字符串
 * Created by zhulei on 2017/6/20.
 */
public class ConcatLongStringUDF implements UDF3<Long, String, String, String> {
    @Override
    public String call(Long v1, String v2, String split) throws Exception {
        return String.valueOf(v1) + split + v2;
    }
}

//然后在 main 方法中注册
sqlContext.udf().register("concat_long_string", new ConcatLongStringUDF(), DataTypes.StringType);

UDAF 传入参数是多行的数据,然后通过聚合运算输出一行数据,具体使用如下:

/**
 * <p>
 * 组内拼接去重函数
 * 多行输入,聚合成一行输出
 * Created by zhulei on 2017/6/20.
 */
public class GroupConcatDistinctUDAF extends UserDefinedAggregateFunction {

    /**
     * 定义输入数据的 schema
     * 比如你要将多行多列的数据合并,可以理解成输入多行多列的数据所对应的 schema
     * 这里输入的只有一列数据,所以 schema 也就只有一个字段
     */
    @Override
    public StructType inputSchema() {
        return DataTypes.createStructType(Collections.singletonList(
                DataTypes.createStructField("cityInfo", DataTypes.StringType, true)));
    }

    /**
     * 定义用来存储中间计算结果的 buffer 对应的 schema
     * 这个值是根据你的计算过程来定的
     */
    @Override
    public StructType bufferSchema() {
        return DataTypes.createStructType(Collections.singletonList(
                DataTypes.createStructField("bufferCityInfo", DataTypes.StringType, true)
        ));
    }

    /**
     * 输出值的数据类型
     */
    @Override
    public DataType dataType() {
        return DataTypes.StringType;
    }

    /**
     * 输入值和输出值是不是确定的
     */
    @Override
    public boolean deterministic() {
        return true;
    }

    /**
     * 初始化中间计算结果变量
     */
    @Override
    public void initialize(MutableAggregationBuffer buffer) {
        buffer.update(0, "");
    }

    /**
     * 更新计算结果
     * 不断的将每个输入值通过你的计算方法去计算
     */
    @Override
    public void update(MutableAggregationBuffer buffer, Row input) {
        String bufferCityIno = buffer.getString(0);
        String inputCityInfo = input.getString(0);

        if (!bufferCityIno.contains(inputCityInfo)) {
            if ("".equals(bufferCityIno)) {
                bufferCityIno += inputCityInfo;
            } else {
                bufferCityIno += "," + inputCityInfo;
            }
            buffer.update(0, bufferCityIno);
        }
    }

    /**
     * update 操作是某个节点上的计算
     * merge 是将多个节点的结果进行合并
     */
    @Override
    public void merge(MutableAggregationBuffer buffer1, Row buffer2) {
        String aggBuffer1 = buffer1.getString(0);
        String aggBuffer2 = buffer2.getString(0);

        for (String ele : aggBuffer2.split(",")) {
            if (!aggBuffer1.contains(ele)) {
                if ("".equals(aggBuffer1)) {
                    aggBuffer1 += ele;
                } else {
                    aggBuffer1 += "," + ele;
                }
            }
        }

        buffer1.update(0, aggBuffer1);
    }

    /**
     * 输出最终计算结果
     */
    @Override
    public Object evaluate(Row buffer) {
        return buffer.getString(0);
    }

}

//然后在 main 方法中注册
sqlContext.udf().register("group_concat_distinct", new GroupConcatDistinctUDAF());