Integración con las UDF, UDAF y UDTF de Hive

  • Artículo

Se aplica a:casilla marcada como Sí Databricks Runtime

Spark SQL admite la integración de UDF, UDAF y UDTF de Hive. De forma similar a las UDF y UDAF de Spark, las UDF de Hive funcionan en una sola fila como entrada y generan una sola fila como salida, mientras que las UDAF de Hive funcionan en varias filas y devuelven una sola fila agregada como resultado. Además, Hive también admite UDTF (funciones tabulares definidas por el usuario) que actúan en una fila como entrada y devuelven varias filas como salida. Para usar UDF, UDAF o UTF de Hive, el usuario debe registrarlas en Spark y, después, usarlas en las consultas SQL de Spark.

Ejemplos

Hive tiene dos interfaces de UDF: UDF y GenericUDF. En el ejemplo siguiente se usa GenericUDFAbs derivado de 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|
+--------------+

En el ejemplo siguiente se usa GenericUDTFExplode derivado de 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 tiene dos interfaces de UDAF: UDAF y GenericUDAFResolver. En el ejemplo siguiente se usa GenericUDAFSum derivado de 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|
+---+---------------+