Spark SQL學習——UDF、UDAF和開窗函式

Hiway發表於2019-04-05

其他更多java基礎文章:
java基礎學習(目錄)


SparkSQL中自定義UDF和UDAF,開窗函式的應用

概述

SparkSQL中的UDF相當於是1進1出,UDAF相當於是多進一出,類似於聚合函式。

開窗函式一般分組取topn時常用。

UDF

SparkConf conf = new SparkConf();
conf.setMaster("local");
conf.setAppName("udf");
JavaSparkContext sc = new JavaSparkContext(conf);
SQLContext sqlContext = new SQLContext(sc);
JavaRDD<String> parallelize = sc.parallelize(Arrays.asList("zhansan","lisi","wangwu"));
JavaRDD<Row> rowRDD = parallelize.map(new Function<String, Row>() {

    /**
     * 
     */
    private static final long serialVersionUID = 1L;

    @Override
    public Row call(String s) throws Exception {
return RowFactory.create(s);
    }
});

List<StructField> fields = new ArrayList<StructField>();
fields.add(DataTypes.createStructField("name", DataTypes.StringType,true));

StructType schema = DataTypes.createStructType(fields);
DataFrame df = sqlContext.createDataFrame(rowRDD,schema);
df.registerTempTable("user");

/**
 * 根據UDF函式引數的個數來決定是實現哪一個UDF  UDF1,UDF2。。。。UDF1xxx
 */
sqlContext.udf().register("StrLen", new UDF1<String,Integer>() {

    /**
     * 
     */
    private static final long serialVersionUID = 1L;

    @Override
    public Integer call(String t1) throws Exception {
             return t1.length();
    }
}, DataTypes.IntegerType);
sqlContext.sql("select name ,StrLen(name) as length from user").show();
複製程式碼

new UDF1<String,Integer>()這些引數需要對應,UDF2就是表示傳兩個引數,UDF3就是傳三個引數。例如new UDF2<String, Integer, Integer>(),表示傳入兩個引數,第一個為String型別,第二個為Integer型別,返回Integer型別的資料。

UDAF

UDAF: 使用者自定義聚合函式,user defined aggreagatefunction
實現UDAF函式如果要自定義類要繼承UserDefinedAggregateFunction類

package com.spark.sparksql.udf_udaf;

import java.util.ArrayList;
import java.util.Arrays;
import java.util.List;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaRDD;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.api.java.function.Function;
import org.apache.spark.sql.DataFrame;
import org.apache.spark.sql.Row;
import org.apache.spark.sql.RowFactory;
import org.apache.spark.sql.SQLContext;
import org.apache.spark.sql.expressions.MutableAggregationBuffer;
import org.apache.spark.sql.expressions.UserDefinedAggregateFunction;
import org.apache.spark.sql.types.DataType;
import org.apache.spark.sql.types.DataTypes;
import org.apache.spark.sql.types.StructField;
import org.apache.spark.sql.types.StructType;
/**
* UDAF 使用者自定義聚合函式
* @author root
*
*/
public class UDAF {
   public static void main(String[] args) {
       SparkConf conf = new SparkConf();
       conf.setMaster("local").setAppName("udaf");
       JavaSparkContext sc = new JavaSparkContext(conf);
       SQLContext sqlContext = new SQLContext(sc);
       JavaRDD<String> parallelize = sc.parallelize(
               Arrays.asList("zhangsan","lisi","wangwu","zhangsan","zhangsan","lisi"));
       JavaRDD<Row> rowRDD = parallelize.map(new Function<String, Row>() {

           /**
            * 
            */
           private static final long serialVersionUID = 1L;

           @Override
           public Row call(String s) throws Exception {
               return RowFactory.create(s);
           }
       });
       
       List<StructField> fields = new ArrayList<StructField>();
       fields.add(DataTypes.createStructField("name", DataTypes.StringType, true));
       StructType schema = DataTypes.createStructType(fields);
       DataFrame df = sqlContext.createDataFrame(rowRDD, schema);
       df.registerTempTable("user");
       /**
        * 註冊一個UDAF函式,實現統計相同值得個數
        * 注意:這裡可以自定義一個類繼承UserDefinedAggregateFunction類也是可以的
        */
       sqlContext.udf().register("StringCount",new UserDefinedAggregateFunction() {
           
           /**
            * 
            */
           private static final long serialVersionUID = 1L;
           
           /**
            * 初始化一個內部的自己定義的值,在Aggregate之前每組資料的初始化結果
            */
           @Override
           public void initialize(MutableAggregationBuffer buffer) {
               buffer.update(0, 0);
           }
           
           /**
            * 更新 可以認為一個一個地將組內的欄位值傳遞進來 實現拼接的邏輯
            * buffer.getInt(0)獲取的是上一次聚合後的值
            * 相當於map端的combiner,combiner就是對每一個map task的處理結果進行一次小聚合 
            * 大聚和發生在reduce端.
            * 這裡即是:在進行聚合的時候,每當有新的值進來,對分組後的聚合如何進行計算
            */
           @Override
           public void update(MutableAggregationBuffer buffer, Row arg1) {
               buffer.update(0, buffer.getInt(0)+1);
               
           }
           /**
            * 合併 update操作,可能是針對一個分組內的部分資料,在某個節點上發生的 但是可能一個分組內的資料,會分佈在多個節點上處理
            * 此時就要用merge操作,將各個節點上分散式拼接好的串,合併起來
            * buffer1.getInt(0) : 大聚合的時候 上一次聚合後的值       
            * buffer2.getInt(0) : 這次計算傳入進來的update的結果
            * 這裡即是:最後在分散式節點完成後需要進行全域性級別的Merge操作
            * 也可以是一個節點裡面的多個executor合併
            */
           @Override
           public void merge(MutableAggregationBuffer buffer1, Row buffer2) {
               buffer1.update(0, buffer1.getInt(0) + buffer2.getInt(0));
           }
           /**
            * 在進行聚合操作的時候所要處理的資料的結果的型別
            */
           @Override
           public StructType bufferSchema() {
               return DataTypes.createStructType(Arrays.asList(DataTypes.createStructField("bffer111", DataTypes.IntegerType, true)));
           }
           /**
            * 最後返回一個和DataType的型別要一致的型別,返回UDAF最後的計算結果
            */
           @Override
           public Object evaluate(Row row) {
               return row.getInt(0);
           }
           /**
            * 指定UDAF函式計算後返回的結果型別
            */
           @Override
           public DataType dataType() {
               return DataTypes.IntegerType;
           }
           /**
            * 指定輸入欄位的欄位及型別
            */
           @Override
           public StructType inputSchema() {
               return DataTypes.createStructType(Arrays.asList(DataTypes.createStructField("nameeee", DataTypes.StringType, true)));
           }
           /**
            * 確保一致性 一般用true,用以標記針對給定的一組輸入,UDAF是否總是生成相同的結果。
            */
           @Override
           public boolean deterministic() {
               return true;
           }
           
       });
       
       sqlContext.sql("select name ,StringCount(name) as strCount from user group by name").show();
       
       
       sc.stop();
   }
}
複製程式碼

Spark SQL學習——UDF、UDAF和開窗函式

開窗函式

row_number() 開窗函式是按照某個欄位分組,然後取另一欄位的前幾個的值,相當於分組取topN
開窗函式格式:row_number() over (partitin by XXX order by XXX)

package com.spark.sparksql.windowfun;

import org.apache.spark.SparkConf;
import org.apache.spark.api.java.JavaSparkContext;
import org.apache.spark.sql.DataFrame;
import org.apache.spark.sql.SaveMode;
import org.apache.spark.sql.hive.HiveContext;

/**是hive的函式,必須在叢集中執行。
 * row_number()開窗函式:
 * 主要是按照某個欄位分組,然後取另一欄位的前幾個的值,相當於 分組取topN
 * row_number() over (partition by xxx order by xxx desc) xxx
 * 注意:
 * 如果SQL語句裡面使用到了開窗函式,那麼這個SQL語句必須使用HiveContext來執行,HiveContext預設情況下在本地無法建立
 * @author root
 *
 */
public class RowNumberWindowFun {
    public static void main(String[] args) {
        SparkConf conf = new SparkConf();
        conf.setAppName("windowfun");
        JavaSparkContext sc = new JavaSparkContext(conf);
        HiveContext hiveContext = new HiveContext(sc);
        hiveContext.sql("use spark");
        hiveContext.sql("drop table if exists sales");
        hiveContext.sql("create table if not exists sales (riqi string,leibie string,jine Int) "
                + "row format delimited fields terminated by '\t'");
        hiveContext.sql("load data local inpath '/root/test/sales' into table sales");
        /**
         * 開窗函式格式:
         * 【 row_number() over (partition by XXX order by XXX) as rank】//起個別名
         * 注意:rank 從1開始
         */
        /**
         * 以類別分組,按每種類別金額降序排序,顯示 【日期,種類,金額】 結果,如:
         * 
         * 1 A 100
         * 2 B 200
         * 3 A 300
         * 4 B 400
         * 5 A 500
         * 6 B 600
         * 排序後:
         * 5 A 500  --rank 1
         * 3 A 300  --rank 2 
         * 1 A 100  --rank 3
         * 6 B 600  --rank 1
         * 4 B 400    --rank 2
         * 2 B 200  --rank 3
         * 
         */
        DataFrame result = hiveContext.sql("select riqi,leibie,jine "
                            + "from ("
                                + "select riqi,leibie,jine,"
                                + "row_number() over (partition by leibie order by jine desc) rank "
                                + "from sales) t "
                        + "where t.rank<=3");
        result.show(100);
        /**
         * 將結果儲存到hive表sales_result
         */
        result.write().mode(SaveMode.Overwrite).saveAsTable("sales_result");
        sc.stop();
    }
}
複製程式碼

相關文章