HIVE中UDTF编写和使用

量子数科院 2011-06-02 13:34:51 累计浏览 6,002 次

本机暂存

内容概览

这篇讲的是 Hive 中一个非常实用但相对进阶的知识点：如何编写和使用 UDTF（用户自定义表生成函数）。文章开宗明义地介绍了 UDTF 的作用——它能够处理一行输入、生成多行输出，这是普通 UDF 无法做到的。

作者从基础概念切入，详细阐述了 UDTF 的核心应用场景，例如将复杂的 JSON 数组或 Map 结构“炸开”成多行记录。文章没有停留在理论，而是聚焦于实践：重点讲解了实现一个自定义 UDTF 所需的关键步骤，包括如何继承 `GenericUDTF` 类、实现 `initialize()`、`process()` 和 `close()` 方法，并特别强调了输出行的构造方法。

对于开发者而言，文中关于如何处理复杂数据类型（如 Struct 和 Array）的输入输出，以及如何通过 `forward()` 方法逐行发送结果的说明，是立刻可以用于解决实际问题的干货。文章也指出了在聚合操作中使用 UDTF 时需要配合 `LATERAL VIEW` 的正确语法。

整篇内容非常扎实，它把一个看似复杂的组件拆解得清晰明了，非常适合那些已经掌握 Hive 基础，但需要处理半结构化数据或进行复杂数据转换的开发者参考。

1. UDTF介绍

UDTF(User-Defined Table-Generating Functions) 用来解决输入一行输出多行(On-to-many maping) 的需求。

2. 编写自己需要的UDTF

继承org.apache.hadoop.hive.ql.udf.generic.GenericUDTF。

实现initialize, process, close三个方法

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，对传入的参数进行处理，可以通过forword()方法把结果返回。最后close()方法调用，对需要清理的方法进行清理。

下面是我写的一个用来切分”key:value;key:value;”这种字符串，返回结果为key, value两个字段。供参考：

   1: import java.util.ArrayList;

2:

   3: import org.apache.hadoop.hive.ql.udf.generic.GenericUDTF;

   4: import org.apache.hadoop.hive.ql.exec.UDFArgumentException;

   5: import org.apache.hadoop.hive.ql.exec.UDFArgumentLengthException;

   6: import org.apache.hadoop.hive.ql.metadata.HiveException;

   7: import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector;

   8: import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspectorFactory;

   9: import org.apache.hadoop.hive.serde2.objectinspector.StructObjectInspector;

  10: import org.apache.hadoop.hive.serde2.objectinspector.primitive.PrimitiveObjectInspectorFactory;

11:

  12: public class ExplodeMap extends GenericUDTF{

13:

  14:     @Override

  15:     public void close() throws HiveException {

  16:         // TODO Auto-generated method stub

  17:     }

18:

  19:     @Override

  20:     public StructObjectInspector initialize(ObjectInspector[] args)

  21:             throws UDFArgumentException {

  22:         if (args.length != 1) {

  23:             throw new UDFArgumentLengthException("ExplodeMap takes only one argument");

  24:         }

  25:         if (args[0].getCategory() != ObjectInspector.Category.PRIMITIVE) {

  26:             throw new UDFArgumentException("ExplodeMap takes string as a parameter");

  27:         }

28:

  29:         ArrayList fieldNames = new ArrayList();

  30:         ArrayList fieldOIs = new ArrayList();

  31:         fieldNames.add("col1");

  32:         fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);

  33:         fieldNames.add("col2");

  34:         fieldOIs.add(PrimitiveObjectInspectorFactory.javaStringObjectInspector);

35:

  36:         return ObjectInspectorFactory.getStandardStructObjectInspector(fieldNames,fieldOIs);

  37:     }

38:

  39:     @Override

  40:     public void process(Object[] args) throws HiveException {

  41:         String input = args[0].toString();

  42:         String[] test = input.split(";");

  43:         for(int i=0; i

  44:             try {

  45:                 String[] result = test[i].split(":");

  46:                 forward(result);

  47:             } catch (Exception e) {

  48:                 continue;

  49:             }

  50:         }

  51:     }

  52: }

3. 使用方法

UDTF有两种使用方法，一种直接放到select后面，一种和lateral view一起使用。

1：直接select中使用：select explode_map(properties) as (col1,col2) from src;

不可以添加其他字段使用：select a, explode_map(properties) as (col1,col2) from src

不可以嵌套调用：select explode_map(explode_map(properties)) from src

不可以和group by/cluster by/distribute by/sort by一起使用：select explode_map(properties) as (col1,col2) from src group by col1, col2

2：和lateral view一起使用：select src.id, mytable.col1, mytable.col2 from src lateral view explode_map(properties) mytable as col1, col2;

此方法更为方便日常使用。执行过程相当于单独执行了两次抽取，然后union到一个表里。

4. 参考文档

http://wiki.apache.org/hadoop/Hive/LanguageManual/UDF

http://wiki.apache.org/hadoop/Hive/DeveloperGuide/UDTF

http://www.slideshare.net/pauly1/userdefined-table-generating-functions