Hive自定义函数之UDF
为了满足用户的个性化需求，Hive被设计成了一个很开放的系统，很多内容都可以定制，主要包括：
1)、文件格式；
2)、内存中的数据格式，如Hadoop的Writable/Text；
3)、用户提供的MapReduce脚本，不管使用何种语言都可以通过标准的stdin/stdout传输数据；
4)、用户自定义函数。
本节我们主要学习用户自定义函数。虽然Hive已经提供了很多内存的函数，但是还是不能，满足用户的需求，因此有提供了自定义函数供用户自己开发函数来满足自己的需求。之定义函数主要分三类：
1)、UDF(User-Defined-Function)用户自定义函数，输入一个数据然后产生一个数据；
2)、UDAF(User-Defined Aggregation Function)用户自定义聚合函数，多个输入数据然后产生一个输出参数；
3)、UDTF(User-Defined Table-generating Function)用户自定义表生成函，数，输入一行数据生成N行数据。
UDF
现在我们开始学习如何来开发自己的UDF函数。假设我们现在有一个被保存在littlebigdata.txt文件中的数据集：
edward capriolo,edward@media6degrees.com,2-12-1981,209.191.139.200,M,10 bob,bob@test.net,10-10-2004,10.10.10.1,M,50 sara connor,sara@sky.net,4-5-1974,64.64.5.1,F,2 ...
接下来我们顶一个Hive加载这个数据集：
hive> CREATE TABLE IF NOT EXISTS littlebigdata(
> name STRING COMMENT '姓名',
> email STRING COMMENT '邮箱',
> birthday STRING COMMENT '生日',
> ip STRING COMMENT 'ip',
> gender STRING COMMENT '性别',
> anum INT)
> ROW FORMAT DELIMITED FIELDS TERMINATED BY ',';
hive> LOAD DATA LOCAL INPATH '${env:HOME}/littlebigdata.txt'
> INTO TABLE littlebigdata;
我们接下来会写一个自定义的UDF根据数据集中的生日计算对应星座，首先新类要继承org.apache.hadoop.hive.ql.exec.UDF类，然而UDF类并不是一个抽象类，其中并没有用户自定义函数必须的evaluate()方法，子类必须实现一个或多个evaluate方法给Hive框架调用，这个evaluate方法正是所有实现类的逻辑部分所在，只有用户自己来写方法了：
package org.apache.hadoop.hive.contrib.udf.example;
import java.text.SimpleDateFormat;
import java.util.Date;
import org.apache.hadoop.hive.ql.exec.UDF;
import org.apache.hadoop.hive.ql.exec.Description;
@Description(name = "Zodiac",
value = "FUNC_(date) - from the input data string " +
"or separate month and day arguments,return the sign of the Zodiac.",
extended = "Example:\n >SELECT _FUNC_(date_string) FROM src;\n" +
" > SELECT _FUNC_(month,day) FROM src;")
public class ZodiacSignUDF extends UDF{
private SimpleDateFormat df = null;
/**
* 在默认构造函数中初始化df
*/
public ZodiacSignUDF(){
df = new SimpleDateFormat("MM-dd-yyyy");
}
/**
* 由出生日期获取星座
* @param birthday -Date
* @return
*/
public String evaluate(Date birthday){
return this.evaluate(birthday.getMonth() + 1,birthday.getDay());
}
/**
* 由出生日期获取星座
* @param birthday -String
* @return
*/
public String evaluate(Date birthday){
Date date = null;
try{
date = df.parse(birthday);
}catch(Excetion e){
//如果日期转换失败，就表明星座是未知的
return null;
}
return this.evaluate(date.getMonth() + 1,date.getDay());
}
/**
* 由月份和出生日获取星座
* @param month -int
* @param day -int
* @return
*/
public String evaluate(Integer month,Integer day){
if(month == 1){
if(day < 20){
return "Capricorn";
}else{
return "Aquarius";
}
}else if(month == 2){
if(day < 19){
return "Aquarius";
}else{
return "Pisces";
}
}
/** ... other months here */
return null;
}
}
在HiveQL的执行中，没处理一行都会调用一次ZodiacSignUDF类的实例，然后将每一行的出生一起传给evaluate()方法并得到对应的星座返回给Hive。
那么接下来的问题是如何使用这个自定义函数呢？
首先需要用户便以这个类并将之打成一个jar包，然后将jar文件添加到Hive的classpath并使用CREATE FUNCTION语句将之定义为一个Hive能使用的方法：
hive> ADD JAR /full/path/to/zodiac.jar; hive> CREATE TEMPORARY FUNCTION zodiac AS 'org.apache.hadoop.hive.contrib.udf.exampl.ZodiacSignUDF';
当然，上面的函数添加方法只能在Hive session会话期间使用，session结束后如还想使用该函数，那就必须再将上面的两部操作做一遍。如果这个函数是经常使用的，那么这么做就太繁琐了，这种情况下可以把上面的两操作语句添加到$HOME/.hiverc文件中作为全局函数，就想使用hive的内置行是一样：
hive> SELECT name,birthday,zodiac(birthday) FROM littlebigdata; edward capriolo 2-12-1981 Aquarius bob 10-10-2004 Libra sara 4-5-1974 Aries
接着我们来看怎么删除一个·自定义函数：
HIVE如何使用自定义函数
| hive> ADD JAR /home/hugh.wangp/UDFMd5.jar; Added /home/hugh.wangp/UDFMd5.jar to class path hive> CREATE TEMPORARY FUNCTION udfmd5 AS 'udf.UDFMd5'; OK Time taken: 0.014 seconds hive> select udfmd5('a') from dual; OK 0cc175b9c0f1b6a831c399e269772661 |
这种方式的弊端是：每次打开新的会话，就要重新执行一遍如上的add jar和create temporary function的命令。对普通的业务分析人员未免要求太高。第二种方法可以把业务人员释放出来
2.在进入HIVE会话之前先自动执行创建function
3.把自定义的函数写到系统函数中，使之成为HIVE的一个默认函数
| 以HIVE自带函数Trim()举例，自定义函数操作一样。 第一步： 写UDF代码UDFTrim.java并放到$HIVE_HOME/src/ql/src/java/org/apache/hadoop/hive/ql/udf/UDFTrim.java 第二步： 修改$HIVE_HOME/src/ql/src/java/org/apache/hadoop/hive/ql/exec/FunctionRegistry.java文件
|
虽然这种方法是一劳永逸的方法，但是一旦错了，对整个HIVE使用都是灾难性的，所以不是特别通用的自定义函数还是采用前两种，一旦通用的自定义函数累计到一定程度，再去采用第三种方法。
转自：http://www.cnblogs.com/tangtianfly/archive/2012/11/06/2756745.html