第72课:Spark SQL UDF和UDAF解密与实战
/** * scala代码 */package com.tom.spark.sqlimport org.apache.spark.sql.expressions.{MutableAggregationBuffer, UserDefinedAggregateFunction}import org.apache.spark.sql.types._import org.apache.spark.sql.{Row, SQLContext}import org.apache.spark.{SparkConf, SparkContext}/** * UDF:User Defined Function, 用户自定义的函数,函数的输入是一条具体的数据记录,实现上讲就是普通的scala函数; * UDAF:User Defined Aggregation Function, 用户自定义的聚合函数,函数本身作用于数据集合,能够在聚合操作的基础上进行自定义操作; * 实质上讲,例如说UDF会被Spark SQL中的catalyst封装成为expression,最终会通过eval方法来计算输入的输入Row,此处的Row和DataFrame * 中的Row没有任何关系 */object SparkSQLUDFUDAF { def main(args: Array[String]): Unit = { val conf = new SparkConf().setMaster("local[4]").setAppName("SparkSQLUDFUDAF") val sc = new SparkContext(conf) val sqlContext = new SQLContext(sc) //模拟实际使用的数据 val bigData = Array("Spark", "Spark", "Hadoop", "spark", "Hadoop", "spark", "Hadoop", "Hadoop", "spark", "spark") /** * 基于提供的数据创建DataFrame */ val bigDataRdd = sc.parallelize(bigData) val bigDataRDDRow = bigDataRdd.map(item => {Row(item)}) val structType = StructType(Array( new StructField("word", StringType, true) )) val bigDataDF = sqlContext.createDataFrame(bigDataRDDRow, structType) bigDataDF.registerTempTable("bigDataTable") //注册成为临时表 /** * 通过SQLContext注册UDF,在Scala 2.10.x版本UDF函数最多可以接收22个输入参数 */ sqlContext.udf.register("computeLength", (input: String) => input.length) //直接在sql中使用udf,就像使用SQL自带的内部函数一样 sqlContext.sql("select word, computeLength(word) as length from bigDataTable").show sqlContext.udf.register("wordcount", new MyUDAF) sqlContext.sql("select word, wordcount(word) as count,computeLength(word) as length " + "from bigDataTable group by word").show// while(true){} }}/** * 按照模板实现UDAF */class MyUDAF extends UserDefinedAggregateFunction { /** * 该方法指定具体输入数据的类型 * @return */ override def inputSchema: StructType = StructType(Array(StructField("input", StringType, true))) /** * 在进行聚合操作的时候所要处理的数据的结果的类型 * @return */ override def bufferSchema: StructType = StructType(Array(StructField("count", IntegerType, true))) /** * 指定UDAF函数计算后返回的结果类型 * @return */ override def dataType: DataType = IntegerType /** * 确保一致性,一般都用true * @return */ override def deterministic: Boolean = true /** * 在Aggregate之前每组数据的初始化结果 * @param buffer */ override def initialize(buffer: MutableAggregationBuffer): Unit = { buffer(0) = 0 } /** * 在进行聚合的时候,每当有新的值进来,对分组后的聚合如何进行计算 * 本地的聚合操作,相当于Hadoop MapReduce模型中的Combiner * @param buffer * @param input */ override def update(buffer: MutableAggregationBuffer, input: Row): Unit = { buffer(0) = buffer.getAs[Int](0) + 1 } /** * 最后在分布式节点进行Local Reduce完成后需要进行全局级别的Merge操作 * @param buffer1 * @param buffer2 */ override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = { buffer1(0) = buffer1.getAs[Int](0) + buffer2.getAs[Int](0) } /** * 返回UDAF最后的计算结果 * @param buffer * @return */ override def evaluate(buffer: Row): Any = buffer.getAs[Int](0)}
联系客服