Integrace s Hive UDF, UDAF a UDTF

  • Článek

Platí pro: zaškrtnutí označeného ano Databricks Runtime

Spark SQL podporuje integraci UDF Hive, UDAF a UDF. Podobně jako UDF Sparku a UDAF fungují definované uživatelem Hive na jednom řádku jako vstup a generují jeden řádek jako výstup, zatímco UDAFy Hive pracují na více řádcích a vrací jeden agregovaný řádek jako výsledek. Kromě toho Hive podporuje funkce UDTFs (uživatelem definované tabulkové funkce), které fungují na jednom řádku jako vstup a vrací více řádků jako výstup. Pokud chcete používat UDF/UDAFs/UTFs Hive, měl by je uživatel zaregistrovat ve Sparku a pak je použít v dotazech Spark SQL.

Příklady

Hive má dvě rozhraní definované uživatelem: UDF a GenericUDF. Následující příklad používá GenericUDFAbs odvozené z GenericUDF.

-- Register `GenericUDFAbs` and use it in Spark SQL.
-- Note that, if you use your own programmed one, you need to add a JAR containing it
-- into a classpath,
-- e.g., ADD JAR yourHiveUDF.jar;
CREATE TEMPORARY FUNCTION testUDF AS 'org.apache.hadoop.hive.ql.udf.generic.GenericUDFAbs';

SELECT * FROM t;
+-----+
|value|
+-----+
| -1.0|
|  2.0|
| -3.0|
+-----+

SELECT testUDF(value) FROM t;
+--------------+
|testUDF(value)|
+--------------+
|           1.0|
|           2.0|
|           3.0|
+--------------+

Následující příklad používá GenericUDTFExplode odvozené z GenericUDTF.

-- Register `GenericUDTFExplode` and use it in Spark SQL
CREATE TEMPORARY FUNCTION hiveUDTF
    AS 'org.apache.hadoop.hive.ql.udf.generic.GenericUDTFExplode';

SELECT * FROM t;
+------+
| value|
+------+
|[1, 2]|
|[3, 4]|
+------+

SELECT hiveUDTF(value) FROM t;
+---+
|col|
+---+
|  1|
|  2|
|  3|
|  4|
+---+

Hive má dvě rozhraní UDAF: UDAF a GenericUDAFResolver. Následující příklad používá GenericUDAFSum odvozené z GenericUDAFResolver.

-- Register `GenericUDAFSum` and use it in Spark SQL
CREATE TEMPORARY FUNCTION hiveUDAF
    AS 'org.apache.hadoop.hive.ql.udf.generic.GenericUDAFSum';

SELECT * FROM t;
+---+-----+
|key|value|
+---+-----+
|  a|    1|
|  a|    2|
|  b|    3|
+---+-----+

SELECT key, hiveUDAF(value) FROM t GROUP BY key;
+---+---------------+
|key|hiveUDAF(value)|
+---+---------------+
|  b|              3|
|  a|              3|
+---+---------------+