Struct复杂数据类型的UDF编写、GenericUDF编写

一、背景介绍:
MaxCompute 2.0版本升级后,Java UDF支持的数据类型从原来的BIGINT、STRING、DOUBLE、BOOLEAN扩展了更多基本的数据类型,同时还扩展支持了ARRAY、MAP、STRUCT等复杂类型,以及Writable参数。Java UDF使用复杂数据类型的方法,STRUCT对应com.aliyun.odps.data.Struct。com.aliyun.odps.data.Struct从反射看不出Field Name和Field Type,所以需要用@Resolve注解来辅助。即如果需要在UDF中使用STRUCT,要求在UDF Class上也标注上@Resolve注解。但是当我们Struct类型中的field有很多字段的时候,这个时候需要我们去手动的添加@Resolve注解就不是那么的友好。针对这一个问题,我们可以使用Hive 中的GenericUDF去实现。MaxCompute 2.0支持Hive风格的UDF,部分Hive UDF、UDTF可以直接在MaxCompute上使用。
二、复杂数据类型UDF示例
示例定义了一个有三个复杂数据类型的UDF,其中第一个用ARRAY作为参数,第二个用MAP作为参数,第三个用STRUCT作为参数。由于第三个Overloads用了STRUCT作为参数或者返回值,因此要求必须对UDF Class添加@Resolve注解,指定STRUCT的具体类型。
1.代码编写

@Resolve("struct<a:bigint>,string->string")
public class UdfArray extends UDF {
public String evaluate(List<String> vals, Long len) {
return vals.get(len.intValue());
}
public String evaluate(Map<String,String> map, String key) {
return map.get(key);
}
public String evaluate(Struct struct, String key) {
return struct.getFieldValue("a") + key;
}
}

2.打jar包添加资源

add jar UdfArray.jar

3.创建函数

create function my_index as 'UdfArray' using 'UdfArray.jar';

4.使用UDF函数

select id, my_index(array('red', 'yellow', 'green'), colorOrdinal) as color_name from colors;

三、使用Hive的GenericUDF
这里我们使用Struct复杂数据类型作为示例,主要处理的逻辑是当我们结构体中两个字段前后没有差异时不返回,如果前后有差异将新的字段及其值组成新的结构体返回。示例中Struct的Field为3个。使用GenericUDF方式可以解决需要手动添加@Resolve注解。
1.创建一个MaxCompute表

CREATE TABLE IF NOT EXISTS `tmp_ab_struct_type_1` (
`a1` struct<a:STRING,b:STRING,c:string>,
`b1` struct<a:STRING,b:STRING,c:string>
);

2.表中数据结构如下

insert into table tmp_ab_struct_type_1 SELECT named_struct('a',1,'b',3,'c','2019-12-17 16:27:00'), named_struct('a',5,'b',6,'c','2019-12-18 16:30:00');

查询数据如下所示:

Struct复杂数据类型的UDF编写、GenericUDF编写

3.编写GenericUDF处理逻辑
(1)QSC_DEMOO类

package com.aliyun.udf.struct;
import org.apache.hadoop.hive.ql.exec.UDFArgumentException;
import org.apache.hadoop.hive.ql.exec.UDFArgumentTypeException;
import org.apache.hadoop.hive.ql.metadata.HiveException;
import org.apache.hadoop.hive.ql.udf.generic.GenericUDF;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspector;
import org.apache.hadoop.hive.serde2.objectinspector.ObjectInspectorFactory;
import org.apache.hadoop.hive.serde2.objectinspector.StructField;
import org.apache.hadoop.hive.serde2.objectinspector.StructObjectInspector;
import java.util.ArrayList;
import java.util.List;
/**
* Created by ljw on 2019-12-17
* Description:
*/
@SuppressWarnings("Duplicates")
public class QSC_DEMOO extends GenericUDF {
StructObjectInspector soi1;
StructObjectInspector soi2;
/**
* 避免频繁Struct对象
*/
private PubSimpleStruct resultStruct = new PubSimpleStruct();
private List<? extends StructField> allStructFieldRefs;
//1. 这个方法只调用一次,并且在evaluate()方法之前调用。该方法接受的参数是一个arguments数组。该方法检查接受正确的参数类型和参数个数。
//2. 输出类型的定义
@Override
public ObjectInspector initialize(ObjectInspector[] arguments) throws UDFArgumentException {
String error = "";
//检验参数个数是否正确
if (arguments.length != 2) {
throw new UDFArgumentException("需要两个参数");
}
//判断参数类型是否正确-struct
ObjectInspector.Category arg1 = arguments[0].getCategory();
ObjectInspector.Category arg2 = arguments[1].getCategory();
if (!(arg1.equals(ObjectInspector.Category.STRUCT))) {
error += arguments[0].getClass().getSimpleName();
throw new UDFArgumentTypeException(0, ""array" expected at function STRUCT_CONTAINS, but "" +
arg1.name() + "" " + "is found" + "n" + error);
}
if (!(arg2.equals(ObjectInspector.Category.STRUCT))) {
error += arguments[1].getClass().getSimpleName();
throw new UDFArgumentTypeException(0, ""array" expected at function STRUCT_CONTAINS, but ""
+ arg2.name() + "" " + "is found" + "n" + error);
}
//输出结构体定义
ArrayList<String> structFieldNames = new ArrayList();
ArrayList<ObjectInspector> structFieldObjectInspectors = new ArrayList();
soi1 = (StructObjectInspector) arguments[0];
soi2 = (StructObjectInspector) arguments[1];
StructObjectInspector toValid = null;
if (soi1 == null)
toValid = soi2;
else toValid = soi1;
//设置返回类型
allStructFieldRefs = toValid.getAllStructFieldRefs();
for (StructField structField : allStructFieldRefs) {
structFieldNames.add(structField.getFieldName());
structFieldObjectInspectors.add(structField.getFieldObjectInspector());
}
return ObjectInspectorFactory.getStandardStructObjectInspector(structFieldNames, structFieldObjectInspectors);
}
//这个方法类似UDF的evaluate()方法。它处理真实的参数,并返回最终结果。
@Override
public Object evaluate(DeferredObject[] deferredObjects) throws HiveException {
//将hive中的struct类型转换成com.aliyun.odps.data.Struct, 如果有错误,请调试,查看deferredObjects的数据是什么样子的
//然后自己进行重新封装 !!!
ArrayList list1 = (ArrayList) deferredObjects[0].get();
ArrayList list2 = (ArrayList) deferredObjects[1].get();
int len = list1.size();
ArrayList fieldNames = new ArrayList<>();
ArrayList fieldValues = new ArrayList<>();
for (int i = 0; i < len ; i++) {
if (!list1.get(i).equals(list2.get(i))) {
fieldNames.add(allStructFieldRefs.get(i).getFieldName());
fieldValues.add(list2.get(i));
}
}
if (fieldValues.size() == 0) return null;
return fieldValues;
}
//这个方法用于当实现的GenericUDF出错的时候,打印出提示信息。而提示信息就是你实现该方法最后返回的字符串。
@Override
public String getDisplayString(String[] strings) {
return "Usage:" + this.getClass().getName() + "(" + strings[0] + ")";
}
}

(2)PubSimpleStruct类

package com.aliyun.udf.struct;
import com.aliyun.odps.data.Struct;
import com.aliyun.odps.type.StructTypeInfo;
import com.aliyun.odps.type.TypeInfo;
import java.util.List;
public class PubSimpleStruct implements Struct {
private StructTypeInfo typeInfo;
private List<Object> fieldValues;
public StructTypeInfo getTypeInfo() {
return typeInfo;
}
public void setTypeInfo(StructTypeInfo typeInfo) {
this.typeInfo = typeInfo;
}
public void setFieldValues(List<Object> fieldValues) {
this.fieldValues = fieldValues;
}
public int getFieldCount() {
return fieldValues.size();
}
public String getFieldName(int index) {
return typeInfo.getFieldNames().get(index);
}
public TypeInfo getFieldTypeInfo(int index) {
return typeInfo.getFieldTypeInfos().get(index);
}
public Object getFieldValue(int index) {
return fieldValues.get(index);
}
public TypeInfo getFieldTypeInfo(String fieldName) {
for (int i = 0; i < typeInfo.getFieldCount(); ++i) {
if (typeInfo.getFieldNames().get(i).equalsIgnoreCase(fieldName)) {
return typeInfo.getFieldTypeInfos().get(i);
}
}
return null;
}
public Object getFieldValue(String fieldName) {
for (int i = 0; i < typeInfo.getFieldCount(); ++i) {
if (typeInfo.getFieldNames().get(i).equalsIgnoreCase(fieldName)) {
return fieldValues.get(i);
}
}
return null;
}
public List<Object> getFieldValues() {
return fieldValues;
}
@Override
public String toString() {
return "PubSimpleStruct{" +
"typeInfo=" + typeInfo +
", fieldValues=" + fieldValues +
'}';
}
}

3、打jar包,添加资源

add jar test.jar;

4、创建函数

CREATE FUNCTION UDF_DEMO as 'com.aliyun.udf.test.UDF_DEMOO' using 'test.jar';

5、测试使用UDF函数

set odps.sql.hive.compatible=true;
select UDF_DEMO(a1,b1) from tmp_ab_struct_type_1;

查询结果如下所示:

Struct复杂数据类型的UDF编写、GenericUDF编写

注意:
(1)在使用兼容的Hive UDF的时候,需要在SQL前加set odps.sql.hive.compatible=true;语句,set语句和SQL语句一起提交执行。

(2)目前支持兼容的Hive版本为2.1.0,对应Hadoop版本为2.7.2。如果UDF是在其他版本的Hive/Hadoop开发的,则可能需要使用此Hive/Hadoop版本重新编译。
有疑问可以咨询阿里云MaxCompute技术支持:刘建伟

    <dependency>
<groupId>org.apache.hadoop</groupId>
<artifactId>hadoop-common</artifactId>
<version>2.7.2</version>
</dependency>
<dependency>
<groupId>org.apache.hive</groupId>
<artifactId>hive-exec</artifactId>
<version>2.1.0</version>
</dependency>

欢迎加入“MaxCompute开发者社区2群”,点击链接申请加入或扫描二维码
https://h5.dingtalk.com/invite-page/index.html?bizSource=____source____&corpId=dingb682fb31ec15e09f35c2f4657eb6378f&inviterUid=E3F28CD2308408A8&encodeDeptId=0054DC2B53AFE745
Struct复杂数据类型的UDF编写、GenericUDF编写