UDF
用户自定义函数。
Scala版本实例
package cn.spark.study.sql import org.apache.spark.SparkConf import org.apache.spark.SparkContext import org.apache.spark.sql.SQLContext import org.apache.spark.sql.Row import org.apache.spark.sql.types.StructType import org.apache.spark.sql.types.StructField import org.apache.spark.sql.types.StringType /** * @author Administrator */ object UDF { def main(args: Array[String]): Unit = { val conf = new SparkConf() .setMaster("local") .setAppName("UDF") val sc = new SparkContext(conf) val sqlContext = new SQLContext(sc) // 构造模拟数据 val names = Array("Leo", "Marry", "Jack", "Tom") val namesRDD = sc.parallelize(names, 5) val namesRowRDD = namesRDD.map { name => Row(name) } val structType = StructType(Array(StructField("name", StringType, true))) val namesDF = sqlContext.createDataFrame(namesRowRDD, structType) // 注册一张names表 namesDF.registerTempTable("names") // 定义和注册自定义函数 // 定义函数:自己写匿名函数 // 注册函数:SQLContext.udf.register() sqlContext.udf.register("strLen", (str: String) => str.length()) // 使用自定义函数 sqlContext.sql("select name,strLen(name) from names") .collect() .foreach(println) } }
UDAF
UDAF:User Defined Aggregate Function。用户自定义聚合函数。是Spark 1.5.x引入的最新特性。
UDF,其实更多的是针对单行输入,返回一个输出
UDAF,则可以针对多行输入,进行聚合计算,返回一个输出,功能更加强大
Java版本实例代码
package cn.spark.study.sql import org.apache.spark.sql.expressions.UserDefinedAggregateFunction import org.apache.spark.sql.types.StructType import org.apache.spark.sql.types.DataType import org.apache.spark.sql.expressions.MutableAggregationBuffer import org.apache.spark.sql.Row import org.apache.spark.sql.types.StructField import org.apache.spark.sql.types.StringType import org.apache.spark.sql.types.IntegerType class StringCount extends UserDefinedAggregateFunction { // inputSchema,指的是,输入数据的类型 def inputSchema: StructType = { StructType(Array(StructField("str", StringType, true))) } // bufferSchema,指的是,中间进行聚合时,所处理的数据的类型 def bufferSchema: StructType = { StructType(Array(StructField("count", IntegerType, true))) } // dataType,指的是,函数返回值的类型 def dataType: DataType = { IntegerType } def deterministic: Boolean = { true } // 为每个分组的数据执行初始化操作 def initialize(buffer: MutableAggregationBuffer): Unit = { buffer(0) = 0 } // 指的是,每个分组,有新的值进来的时候,如何进行分组对应的聚合值的计算 def update(buffer: MutableAggregationBuffer, input: Row): Unit = { buffer(0) = buffer.getAs[Int](0) + 1 } // 由于Spark是分布式的,所以一个分组的数据,可能会在不同的节点上进行局部聚合,就是update // 但是,最后一个分组,在各个节点上的聚合值,要进行merge,也就是合并 def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = { buffer1(0) = buffer1.getAs[Int](0) + buffer2.getAs[Int](0) } // 最后,指的是,一个分组的聚合值,如何通过中间的缓存聚合值,最后返回一个最终的聚合值 def evaluate(buffer: Row): Any = { buffer.getAs[Int](0) } }
Scala版本实例代码
package cn.spark.study.sql import org.apache.spark.SparkConf import org.apache.spark.SparkContext import org.apache.spark.sql.SQLContext import org.apache.spark.sql.Row import org.apache.spark.sql.types.StructType import org.apache.spark.sql.types.StructField import org.apache.spark.sql.types.StringType /** * @author Administrator */ object UDAF { def main(args: Array[String]): Unit = { val conf = new SparkConf() .setMaster("local") .setAppName("UDAF") val sc = new SparkContext(conf) val sqlContext = new SQLContext(sc) // 构造模拟数据 val names = Array("Leo", "Marry", "Jack", "Tom", "Tom", "Tom", "Leo") val namesRDD = sc.parallelize(names, 5) val namesRowRDD = namesRDD.map { name => Row(name) } val structType = StructType(Array(StructField("name", StringType, true))) val namesDF = sqlContext.createDataFrame(namesRowRDD, structType) // 注册一张names表 namesDF.registerTempTable("names") // 定义和注册自定义函数 // 定义函数:自己写匿名函数 // 注册函数:SQLContext.udf.register() sqlContext.udf.register("strCount", new StringCount) // 使用自定义函数 sqlContext.sql("select name,strCount(name) from names group by name") .collect() .foreach(println) } }