hive自定义函数的那点事

经常有学习大数据的小伙伴问小千，hive应该如何去自定义函数？小千今天就来给大家分享一下hive自定义函数的教程，继续往下看。

一、自定义函数

1 为什么需要自定义函数

hive的内置函数满足不了所有的业务需求。

hive提供很多的模块可以自定义功能，比如：自定义函数、serde、输入输出格式等。

2 常见自定义函数有哪些

UDF：用户自定义函数，user defined function。一对一的输入输出。（最常用的）。

UDTF：用户自定义表生成函数。user defined table-generate function.一对多的输入输出。lateral view explode

UDAF：用户自定义聚合函数。user defined aggregate function。多对一的输入输出 count sum max。

二、自定义函数实现

1 UDF格式

先在工程下新建一个pom.xml,加入以下maven的依赖包请查看code/pom.xml

定义UDF函数要注意下面几点:

继承org.apache.hadoop.hive.ql.exec.UDF

重写evaluate()，这个方法不是由接口定义的,因为它可接受的参数的个数,数据类型都是不确定的。Hive会检查UDF,看能否找到和函数调用相匹配的evaluate()方法

1.1 自定义函数第一个案例

2 函数加载方式

2.1 命令加载

这种加载只对本session有效

# 1、将编写的udf的jar包上传到服务器上，并且将jar包添加到hive的class path中

# 进入到hive客户端,执行下面命令

add jar /hivedata/udf.jar

# 2、创建一个临时函数名,要跟上面hive在同一个session里面：

create temporary function toUP as 'com.qf.hive.FirstUDF';

3、检查函数是否创建成功

show functions;

4. 测试功能

select toUp('abcdef');

5. 删除函数

drop temporary function if exists tolow;

2.2 启动参数加载

(也是在本session有效，临时函数)

2.3 配置文件加载

通过配置文件方式这种只要用hive命令行启动都会加载函数

3 UDTF格式

UDTF是一对多的输入输出,实现UDTF需要完成下面步骤

继承org.apache.hadoop.hive.ql.udf.generic.GenericUDF，

重写initlizer（）、getdisplay（）、evaluate()。

执行流程如下:

UDTF首先会调用initialize方法，此方法返回UDTF的返回行的信息（返回个数，类型）。

初始化完成后，会调用process方法,真正的处理过程在process函数中，在process中，每一次forward()调用产生一行；如果产生多列可以将多个列的值放在一个数组中，然后将该数组传入到forward()函数。

最后close()方法调用，对需要清理的方法进行清理。

3.1 需求:

把"k1:v1;k2:v2;k3:v3"类似的的字符串解析成每一行多行,每一行按照key:value格式输出

3.2 源码

自定义函数如下:

3.3 打包加载

对上述命令源文件打包为udf.jar,拷贝到服务器的/hivedata/目录

在Hive客户端把udf.jar加入到hive中,如下:

add jar /hivedata/udf.jar;

3.4 创建临时函数:

在Hive客户端创建函数:

3.5 测试临时函数

select parseMap("name:zhang;age:30;address:shenzhen")

结果如下:

4 UDAF格式

用户自定义聚合函数。user defined aggregate function。多对一的输入输出 count sum max。定义一个UDAF需要如下步骤:

UDF自定义函数必须是org.apache.hadoop.hive.ql.exec.UDAF的子类,并且包含一个火哥多个嵌套的的实现了org.apache.hadoop.hive.ql.exec.UDAFEvaluator的静态类。

函数类需要继承UDAF类，内部类Evaluator实UDAFEvaluator接口。

Evaluator需要实现 init、iterate、terminatePartial、merge、terminate这几个函

这几个函数作用如下:

函数说明init实现接口UDAFEvaluator的init函数iterate每次对一个新值进行聚集计算都会调用,计算函数要根据计算的结果更新其内部状态terminatePartial无参数，其为iterate函数轮转结束后，返回轮转数据merge接收terminatePartial的返回结果，进行数据merge操作，其返回类型为boolean。terminate返回最终的聚集函数结果。

4.1 需求

计算一组整数的最大值

4.2 代码

4.3 打包加载

对上述命令源文件打包为udf.jar,拷贝到服务器的/hivedata/目录

在Hive客户端把udf.jar加入到hive中,如下:

add jar /hivedata/udf.jar;

4.4 创建临时函数:

在Hive客户端创建函数:

3.5 测试临时函数

select maxInt(mgr) from emp

结果如下:

最后欢迎大家添加我们的大数据技术分享交流qq群：857910996 加群找群管理免费领取大数据学习资料和项目源码，赶紧来等你哦~~~~