详细讲解Hive自定义函数UDF、UDTF、UDAF基础知识，带你快速入门，首先在Hive中新建表”apache_log”
CREATE TABLE apachelog ( host STRING, identity STRING, user STRING, time STRING, request STRING, status STRING, size STRING, referer STRING, agent STRING) ROW FORMAT SERDE 'org.apache.Hadoop.hive.serde2.RegexSerDe' WITH SERDEPROPERTIES ( "input.regex" = "([^ ]*) ([^ ]*) ([^ ]*) (-|\[[^\]*\]]) ([^ "]*|"[^"]*") (-|[0-9]*) (-|[0-9]*) (?: ([^ "]*|".*") ([^ "]*|".*"))?" ) STORED AS TEXTFILE;
这个是官方给出的实例，但是是错的。
不过，已经有人给做出了修改。
接下来结合一些样例数据
27.19.74.143 - - [29/April/2016:17:38:20 0800] "GET /static/image/common/faq.gif HTTP/1.1" 200 1127 110.52.250.126 - - [29/April/2016:17:38:20 0800] "GET /data/cache/style_1_widthauto.css?y7a HTTP/1.1" 200 1292 27.19.74.143 - - [29/April/2016:17:38:20 0800] "GET /static/image/common/hot_1.gif HTTP/1.1" 200 680 27.19.74.143 - - [29/April/2016:17:38:20 0800] "GET /static/image/common/hot_2.gif HTTP/1.1" 200 682 27.19.74.143 - - [29/April/2016:17:38:20 0800] "GET /static/image/filetype/common.gif HTTP/1.1" 200 90 110.52.250.126 - - [29/April/2016:17:38:20 0800] "GET /source/plugin/wsh_wx/img/wsh_zk.css HTTP/1.1" 200 1482 110.52.250.126 - - [29/April/2016:17:38:20 0800] "GET /data/cache/style_1_forum_index.css?y7a HTTP/1.1" 200 2331 110.52.250.126 - - [29/April/2016:17:38:20 0800] "GET /source/plugin/wsh_wx/img/wx_jqr.gif HTTP/1.1" 200 1770 27.19.74.143 - - [29/April/2016:17:38:20 0800] "GET /static/image/common/recommend_1.gif HTTP/1.1" 200 1028 110.52.250.126 - - [29/April/2016:17:38:20 0800] "GET /static/image/common/logo.png HTTP/1.1" 200 4542 ......
这个是apache服务器的日志信息，一共七个字段，分别表示：”host”、”identity”、”user”、”time”、”request”、”status”、”size”，在hive官网上是有九个字段的，剩下两个为：”referer”、”agent”。
我们根据这些数据，从一些小需求中来体会一下这三种函数。
UDF(user-defined functions) “小”需求： 提取”time”，转换成”yyyy-MM-dd HH:mm:ss” 格式。
要点： 1.继承自“org.apache.hadoop.hive.ql.exec.UDF”； 2.实现”evaluate()”方法。
*JAVA 代码* package com.hadoop.hivetest.udf;
import java.text.ParseException; import java.text.SimpleDateFormat; import java.util.Date; import java.util.Locale;
import org.apache.hadoop.hive.ql.exec.UDF;
public class MyDateParser extends UDF{ public String evaluate(String s){ SimpleDateFormat formator = new SimpleDateFormat("dd/MMMMM/yyyy:HH:mm:ss Z",Locale.ENGLISH); if(s.indexOf("[")>-1){ s = s.replace("[", ""); } if(s.indexOf("]")>-1){ s = s.replace("]", ""); }
try { //将输入的string转换成date数据类型 Date date = formator.parse(s); SimpleDateFormat rformator = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss"); return rformator.format(date); } catch (ParseException e) { e.printStackTrace(); return ""; } } }
小插曲 导出为jar包，发送到Linux上。这次我们可以使用 editplus 编辑器来上传：
– 打开editplus，选择”File—FTP—FTP Setting” –
– 选择添加 –
并且在相应的字段上填上值，对于”Subdirectory”这一项要填写的是你希望上传到Linux上的哪个目录。
– 点击”Advanced Options” –
之后便可以一路OK回去。
– 选择FTP Upload –
在这里找到要上传的文件，选择要上传到哪一个账户上，并选择”Upload”即可。
然后我们就可以在”Subdirectory”中写到的目录下去找我们的文件了。
– 小插曲结束 –
之后我们使用beeline客户端来连接hive
然后我们可以新建一个数据库，并使用之前的建表语句来创建”apache_log”，并导入数据(默认大家都会了^.^)。
Step 1: add jar “jar-path”
Step 2: create function timeparse as ‘包名 类名’
Step 3: 使用该函数
对比之前我们导入的数据
UDTF(user-defined table-generating functions) “小”需求： 针对”request”字段，将其拆分，获取到用户的请求连接。 第一部分表示请求的方式，第二部分为用户请求的连接，第三部分为协及版本号。
要点： 1.继承自”org.apache.hadoop.hive.ql.udf.generic.GenericUDTF”； 2.实现initialize()、process()、close()三个方法。
*JAVA代码 package com.hadoop.hivetest.udf;
import java.util.ArrayList;
import org.apache.hadoop.hive.ql.exec.UDFArgumentException; import org.apache.hadoop.hive.ql.metadata.HiveException; import org.apache.hadoop.hive.ql.udf.generic.GenericUDTF; 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 MyRequestParser extends GenericUDTF {
@Override public StructObjectInspector initialize(ObjectInspector[] arg0) throws UDFArgumentException { if(arg0.length != 1){ throw new UDFArgumentException("参数不正确。"); } ArrayList<String> fieldNames = new ArrayList<String>(); ArrayList<ObjectInspector> fieldOIs = new ArrayList<ObjectInspector>();
//添加返回字段设置 fieldNames.add("rcol1"); fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);
fieldNames.add("rcol2"); fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);
fieldNames.add("rcol3"); fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);
//将返回字段设置到该UDTF的返回值类型中 return ObjectInspectorFactory.getStandardStructObjectInspector(fieldNames, fieldOIs); } @Override public void close() throws HiveException {
}
//处理函数的输入并且输出结果的过程 @Override public void process(Object[] args) throws HiveException { String input = args[0].toString();
input = input.replace(""", "");
String[] result = input.split(" "); //如果解析错误或失败，则返回三个字段内容都是"--" if(result.length != 3){ result[0] = "--"; result[1] = "--"; result[2] = "--"; } forward(result); } }
依照上面的步骤，导出jar包，上传到Linux服务器上。在此不再赘述，其实是攒着另一种上传文件的方式，下次教给大家。
Step 1: add jar “jar-path” 略
Step 2: create function requestparse as ‘包名 类名’
Step 3: 使用该函数
对比我们之前导入的数据
UDAF(user-defined aggregation functions) “小”需求： 求出最大的流量值
要点： 1.继承自”org.apache.hadoop.hive.ql.exec.UDAF”; 2.自定义的内部类要实现接口”org.apache.hadoop.hive.ql.exec.UDAFEvaluator”; 3.要实现iterate()、terminatePartial()、merge()、terminate()四个方法。
*JAVA代码 package com.hadoop.hivetest.udf;
import org.apache.hadoop.hive.ql.exec.UDAF; import org.apache.hadoop.hive.ql.exec.UDAFEvaluator; import org.apache.hadoop.io.IntWritable;
@SuppressWarnings("deprecation") public class MaxFlowUDAF extends UDAF {
public static class MaxNumberUDAFEvaluator implements UDAFEvaluator{ private IntWritable result; public void init() { result = null; }
//聚合的多行中每行的被聚合的值都会被调用interate方法，所以这个方法里面我们来定义聚合规则 public boolean iterate(IntWritable value){ if(value == null){ return false; } if(result == null){ result = new IntWritable(value.get()); }else{ //需求是求出流量最大值，在这里进行流量的比较，将最大值放入result result.set(Math.max(result.get(), value.get())); } return true; }
//hive需要部分聚合结果时会调用该方法，返回当前的result作为hive取部分聚合值得结果 public IntWritable terminatePartial(){ return result; }
//聚合值，新行未被处理的值会调用merge加入聚合，这里直接调用上面定义的聚合规则方法iterate public boolean merge(IntWritable other){ return iterate(other); }
//hive需要最后总聚合结果时调用的方法，返回聚合的最终结果 public IntWritable terminate(){ return result; } } }
导出jar包，上传到Linux服务器…
Step 1: add jar ‘jar-path’ 略
Step 2: create function maxflow as ‘包名 类名’
Step 3: 使用该函数
于是此时，hive便会将sql语句转换为mapreduce任务去执行了。
当我们创建函数之后，得出的结果却不是想要的结果的时候，我们将Java代码修改之后，重新打了包上传过来，也重新加到了hive的classpath中，但是新创建出来的函数得出的结果跟修改之前的一样。这个因为新修改过后的类名与之前的类名重复了，在当前session中会优先以之前的来创建函数。此时有两种办法解决，一是断开当前的连接，重新使用beeline客户端登陆一次，还有就是将修改后的Java类改一个名称，重新导入，使用新的Java类来创建函数。
当然，这些才都只是 UDF 的小皮毛，我们可以发现，通过自定义函数，我们可以省去写很多sql，并且通过使用api，我们可以更随意的操作数据库里的字段，实现多种计算和统计。
