Spark(Hive) SQL中UDF的使用(Python)

时间:2021-05-23 06:50:11

相对于使用MapReduce或者Spark Application的方式进行数据分析,使用Hive SQL或Spark SQL能为我们省去不少的代码工作量,而Hive SQL或Spark SQL本身内置的各类UDF也为我们的数据处理提供了不少便利的工具,当这些内置的UDF不能满足于我们的需要时,Hive SQL或Spark SQL还为我们提供了自定义UDF的相关接口,方便我们根据自己的需求进行扩展。
 
在Hive的世界里使用自定义UDF的过程是比较复杂的。我们需要根据需求使用Java语言开发相应的UDF(UDAF、UDTF),然后将UDF的代码及其依赖编译打包为Jar,使用方法有两种:
 
(1)临时函数
 
在一次会话(Session)中使用如下语句创建临时函数:
 
ADD JAR /run/jar/udf_test.jar;
CREATE TEMPORARY FUNCTION my_add AS 'com.hive.udf.Add';
 
这种方式有一个缺点:每一次会话过程中使用函数时都需要创建,而且仅在当前会话中有效。
 
(2)永久函数
 
这个特性需要高版本的Hive支持,它的好处是可以将UDF Jar存放至HDFS,函数仅需要创建一次即可以永久使用,如下:
 
CREATE FUNCTION func.ipToLocationBySina AS 'com.sina.dip.hive.function.IPToLocationBySina' USING JAR 'hdfs://dip.cdh5.dev:8020/user/hdfs/func/location.jar';
 
虽然永久函数相对于临时函数有一定优势,但Java语言的开发门槛很大程度上妨碍了UDF在实际数据分析过程中使用,毕竟我们的数据分析师多数是以Python、SQL为主要分析工具的,每一次UDF的开发都需要工程师的参与,开发效率与应用效果都是不是很好(可能需要频繁更新UDF的问题),PySpark的出现确很好地解决了这个问题:它可以非常方便地将一个普通的Python函数注册为一个UDF。
 
为了说明如何在Spark(Hive) SQL中的使用Python UDF,我们首先模拟一张数据表,为了简单起见,该表仅有一行一列数据:
 
Spark(Hive) SQL中UDF的使用(Python)
 
我们模拟了一张数据表temp_table,该表仅有一列,其中列名称为col,列类型为字符串且不允许包含Null,输出结果:
 
Spark(Hive) SQL中UDF的使用(Python)
 
我们在表temp_table的基础之上演示UDF的使用方法:
 
Spark(Hive) SQL中UDF的使用(Python)
 
首先我们定义一个普通的Python函数:func_string,为了简单起见它没有任何参数,仅仅返回一个简单的字符串;
 
然后我们通过HiveContext registerFunction即可以将函数func_string注册为UDF,registerFunction接收两个参数:UDF名称、UDF关联的Python函数;
 
最后我们可以在Spark(Hive) SQL中使用这个UDF,输出结果:
 
Spark(Hive) SQL中UDF的使用(Python)
 
 
我们需要注意的是,HiveContext registerFunction实际上有三个参数:
 
Spark(Hive) SQL中UDF的使用(Python)
 
name:UDF名称;
f:UDF关联的Python函数;
returnType:UDF(Python函数)返回值类型,默认为StringType()。
 
上述示例中因为我们的UDF函数的返回值类型为字符串,因此使用Hive registerFunction注册UDF时省略了参数returnType,即returnType默认值为StringType(),如果UDF(Python函数)的返回值类型不为字符串,则需要显式为其指定returnType。
 
我们以类型IntegerType、ArrayType、StructType、MapType为例演示需要显式指定returnType的情况。
 
(1)IntegerType
 
Spark(Hive) SQL中UDF的使用(Python)
 
Spark(Hive) SQL中UDF的使用(Python)
 
(2)ArrayType
 
Spark(Hive) SQL中UDF的使用(Python)
 
Spark(Hive) SQL中UDF的使用(Python)
 
注意:ArrayType(数组)必须确保元素类型的一致性,如指定UDF返回值类型为ArrayType(IntegerType()),则函数func_array的返回值类型必须为list或tuple,其中的元素类型必须为int。
 
(3)StructType
 
Spark(Hive) SQL中UDF的使用(Python)
 
Spark(Hive) SQL中UDF的使用(Python)
 
注意:StructType必须确保函数的返回值类型为tuple,而且使用HiveContext registerFunction注册UDF时需要依次为其中的元素指定名称各类型,如上述示例中每一个元素的名称为first,类型为IntegerType;第二个元素的名称为second,类型为FloatType;第三个元素的名称为third,类型为StringType。
 
(4)MapType
 
Spark(Hive) SQL中UDF的使用(Python)
 
Spark(Hive) SQL中UDF的使用(Python)
 
注意:MapType必须确保函数的返回值类型为dict,而且所有的“key”应保持类型一致,“value”也就保持类型一致。