如何给Apache Pig自定义UDF函数？

2022-07-03 17:48:34 浏览数 (2)

近日由于工作所需，需要使用到Pig来分析线上的搜索日志数据，本人本打算使用hive来分析的，但由于种种原因，没有用成，而Pig（pig0.12-cdh）本人一直没有接触过，所以只能临阵磨枪了，花了两天时间，大致看完了pig官网的文档，在看文档期间，也是边实战边学习，这样以来，对pig的学习，会更加容易，当然本篇不是介绍如何快速学好一门框架或语言的文章，正如标题所示，本人打算介绍下如何在Pig中，使用用户自定义的UDF函数，关于学习经验，本人会在后面的文章里介绍。

一旦你学会了UDF的使用，就意味着，你可以以更加灵活的方式来使用Pig，使它扩展一些为我们的业务场景定制的特殊功能，而这些功能，在通用的pig里是没有的，举个例子：

你从HDFS上读取的数据格式，如果使用默认的PigStorage（）来加载，存储可能只支持有限的数据编码和类型，如果我们定义了一种特殊的编码存储或序列化方式，那么当我们使用默认的Pig来加载的时候，就会发现加载不了，这时候我们的UDF就派上用场了，我们只需要自定义一个LoadFunction和一个StoreFunction就可以解决，这种问题。

本篇本人根据官方文档的例子，来实战一下，并在Hadoop集群上使用Pig测试通过：

我们先来看下定义一个UDF扩展类，需要几个步骤：

序号

步骤

说明

1

在eclipse里新建一个java工程，并导入pig的核心包

java项目

2

新建一个包，继承特定的接口或类，重写自定义部分

核心业务

3

编写完成后，使用ant打包成jar

编译时需要pig依赖，但不用把pig的jar包打入UDF中

4

把打包完成后的jar上传到HDFS上

pig运行时候需要加载使用

5

在pig脚本里，注册我们自定义的udf的jar包

注入运行时环境

6

编写我们的核心业务pig脚本运行

测试是否运行成功

项目工程截图如下：

核心代码如下：

package com.pigudf; 

  • import java.io.IOException; 
  • import org.apache.pig.EvalFunc; 
  • import org.apache.pig.data.Tuple; 
  • import org.apache.pig.impl.util.WrappedIOException; 
  • /** 
  •  * 自定义UDF类,对字符串转换大写 
  •  * @author qindongliang 
  •  * */ 
  • public class MyUDF extends EvalFunc<String> { 
  • @Override 
  • public String exec(Tuple input) throws IOException { 
  • //判断是否为null或空，就跳过 
  • if(input==null||input.size()==0){ 
  • return null; 
  •         } 
  • try{ 
  • //获取第一个元素 
  •             String str=(String) input.get(0); 
  • //转成大写返回 
  • return str.toUpperCase(); 
  •         }catch(Exception e){ 
  • throw WrappedIOException.wrap("Caught exception processing input row ",e); 
  •         } 
  •     } 
  • } 

关于打包的ant脚本，散仙会在文末上传附件，下面看下造的一些测试数据（注意，文件一定要上传到HDFS上，除非你是local模式）：

Java代码 

  1. grunt> cat s.txt 
  2. zhang san,12 
  3. Song,34 
  4. long,34 
  5. abC,12 
  6. grunt>   

我们在看下，操作文件和jar包是放在一起的：

Java代码 

  1. grunt> ls 
  2. hdfs://dnode1:8020/tmp/udf/pudf.jar<r 3>        1295 
  3. hdfs://dnode1:8020/tmp/udf/s.txt<r 3>   36 
  4. grunt>   

最后，我们看下pig脚本的定义：

Pig代码 

  1. --注册自定义的jar包 
  2. REGISTER pudf.jar;   
  3. --加载测试文件的数据，逗号作为分隔符 
  4. a = load 's.txt' using PigStorage(',');     
  5. --遍历数据，对name列转成大写 
  6. b =  foreach a generate com.pigudf.MyUDF((chararray)$0);   
  7. --启动MapReduce的Job进行数据分析 
  8. dump b 

最后，我们看下结果，只要过程不出现异常和任务失败，就证明我们的udf使用成功：

Java代码 

  1. Counters: 
  2. Total records written : 4 
  3. Total bytes written : 64 
  4. Spillable Memory Manager spill count : 0 
  5. Total bags proactively spilled: 0 
  6. Total records proactively spilled: 0 
  8. Job DAG: 
  9. job_1419419533357_0147 
  12. 2014-12-30 18:10:24,394 [main] INFO  org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MapReduceLauncher - Success! 
  13. 2014-12-30 18:10:24,395 [main] INFO  org.apache.hadoop.conf.Configuration.deprecation - fs.default.name is deprecated. Instead, use fs.defaultFS 
  14. 2014-12-30 18:10:24,396 [main] INFO  org.apache.pig.data.SchemaTupleBackend - Key [pig.schematuple] was not set... will not generate code. 
  15. 2014-12-30 18:10:24,405 [main] INFO  org.apache.hadoop.mapreduce.lib.input.FileInputFormat - Total input paths to process : 1 
  16. 2014-12-30 18:10:24,405 [main] INFO  org.apache.pig.backend.hadoop.executionengine.util.MapRedUtil - Total input paths to process : 1 
  17. (ZHANG SAN,12) 
  18. (SONG,34) 
  19. (LONG,34) 
  20. (ABC,12) 

结果没问题，我们的UDF加载执行成功，如果我们还想将我们的输出结果直接写入到HDFS上，可以在pig脚本的末尾，去掉dump命令，加入  store e into '/tmp/dongliang/result/'; 将结果存储到HDFS上，当然我们可以自定义存储函数，将结果写入数据库，Lucene，Hbase等关系型或一些NOSQL数据库里。

jar grunt hadoop 大数据 node.js

0 人点赞