14.Spark SQL：UDAF自定义聚合函数实战

来源：互联网发布：zram内存优化如何修改编辑：程序博客网时间：2024/06/06 01:56

UDAF自定义函数实战

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

这里的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

package cn.spark.study.sql import org.apache.spark.sql.expressions.UserDefinedAggregateFunctionimport org.apache.spark.sql.types.StructTypeimport org.apache.spark.sql.types.DataTypeimport org.apache.spark.sql.expressions.MutableAggregationBufferimport org.apache.spark.sql.Rowimport org.apache.spark.sql.types.StructFieldimport org.apache.spark.sql.types.StringTypeimport org.apache.spark.sql.types.IntegerType /** * @author Administrator */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)      }  }

package cn.spark.study.sql import org.apache.spark.SparkConfimport org.apache.spark.SparkContextimport org.apache.spark.sql.SQLContextimport org.apache.spark.sql.Rowimport org.apache.spark.sql.types.StructTypeimport org.apache.spark.sql.types.StructFieldimport org.apache.spark.sql.types.StringType /** * 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 * 这里的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 * * @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)    }}

本地运行结果：

阅读全文

0 0