Hive 教程(十)-UDF

hive 虽然自带了很多函数，但是毕竟有限，无法满足所有业务场景，用户可以自定义函数来实现特定功能

UDF

user define function，用户自定义函数

可以分为 3 类

UDF：一进一出

UDAF：聚集函数，多进一出，user define aggregation function

UDTF：炸裂函数，一进多出

UDF 可以用多种语言实现，如 java、python、hive

准备工作

建表

create external table person(
name string,
idcard string)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
STORED as TEXTFILE;

外建表，还记得吗？

外建表不能 truncate 清空，如果是 drop 删表，只删除元数据，hdfs 中的数据还在

写入如下数据

neil    411326199402110030
pony    41132519950911004x
jcak    12312423454556561
tony    412345671234908

Hive Function

即用 hql 来实现 function，这是最简单的，写完 function 直接运行 sql 就行了

select idcard,
case when length(idcard) = 18 then
             case when substring(idcard,-2,1) % 2 = 1 then '男'
             when substring(idcard,-2,1) % 2 = 0 then '女'
             else 'unknown' end
     when length(idcard) = 15 then
            case when substring(idcard,-1,1) % 2 = 1 then '男'
            when substring(idcard,-1,1) % 2 = 0 then '女'
            else 'unknown' end
     else '不合法' end
from person;

Python UDF

python 也毕竟简单，类似于 mapreduce

# -*- coding: utf-8 -*-
import sys

for line in sys.stdin:
    detail = line.strip().split("\t")
    if len(detail) != 2:
        continue
    else:
        name = detail[0]
        idcard = detail[1]
        if len(idcard) == 15:
            if int(idcard[-1]) % 2 == 0:
                print("\t".join([name,idcard,"女"]))
            else:
                print("\t".join([name,idcard,"男"]))
        elif len(idcard) == 18:
            if int(idcard[-2]) % 2 == 0:
                print("\t".join([name,idcard,"女"]))
            else:
                print("\t".join([name,idcard,"男"]))
        else:
            print("\t".join([name,idcard,"身份信息不合法!"]))

输入就是 hive 表的每一行

本地测试 UDF

直接在 hive 上测试比较麻烦，我们可以在本地测试下 UDF 写的是否正确，直接命令行即可

cat person.txt|python person.py

hive 中使用 UDF

在 hive 中使用 python 编写的 UDF 需要借助 transform 函数，语法如下

SELECT TRANSFORM (<columns>)
USING 'python <python_script>'
AS (<columns>)
FROM <table>;

顾名思义，就是用 python 脚本来转换 某列 生成新的列作为输出

第一步：加载 py 文件

在 hive 中执行如下代码

add file /xxx/udf1.py

xxx 为本地路径；

注意在每次启动 hive 后都要重新加载

第二步：使用 UDF 查询

select transform(name,idcard) USING 'python udf1.py'  AS (name,idcard,gender) from person;

neil    411326199402110030    男
pony    41132519950911004x    女
jcak    12312423454556561    身份信息不合法!
tony    412345671234908    女

vs1

select transform(name,idcard) USING 'python udf1.py'  AS (name,idcard) from person;

neil    411326199402110030
pony    41132519950911004x
jcak    12312423454556561
tony    412345671234908

vs2

select transform(name) USING 'python udf1.py'  AS (name,idcard,gender) from person;

可执行，但是无输出

转换的列和输出的列在一定程度上保持一致

python UDF 是效率比较低的，因为python 直接向系统请求资源，而不是通过 yarn 的 rm 申请，对资源的利用率较低

Java UDF

见官网

参考资料：

https://cwiki.apache.org/confluence/display/hive/hiveplugins　　官网  java 用法

https://blog.csdn.net/qq_26937525/article/details/54136317

https://blog.csdn.net/liu82327114/article/details/80670415　　讲述了 python udf 的缺点