其他更多java基礎文章:
java基礎學習(目錄)
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
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