Hive自定義函式
當Hive提供的內建函式無法滿足你的業務處理需要時，此時就可以考慮使用使用者自定義函式（UDF：user-defined function）。
Hive目前只支援用java語言書寫自定義函式。如果需要採用其他語言，比如Python，可以考慮上一節提到的transform語法來實現。
Hive支援三種自定義函式，我們逐個講解。
UDF
這是普通的使用者自定義函式。接受單行輸入，併產生單行輸出。
編寫java程式碼如下：
package com.oserp.hiveudf;
import org.apache.hadoop.hive.ql.exec.UDF;
import org.apache.hadoop.io.Text;
public classPassExam extendsUDF {
publicText evaluate(Integer score)
{
Text result = new Text();
if(score < 60)
result.set("Failed");
else
result.set("Pass");
return result;
}
}
然後，打包成.jar檔案，比如hiveudf.jar。
執行以下語句：
add jar /home/user/hadoop_jar/hiveudf.jar;
create temporary function pass_scorecom.oserp.hiveudf.PassExam;
select stuNo,pass_score(score) from student;
輸出結果為：
N0101 Pass
N0102 Failed
N0201 Pass
N0103 Pass
N0302 Pass
N0202 Pass
N0203 Pass
N0301 Failed
N0306 Pass
第一個語句註冊jar檔案；第二個語句為自定義函式取別名；第三個語句呼叫自定義函式。
Java程式碼中，自定義函式的類繼承自UDF類，且提供了一個evaluate方法。這個方法接受一個整數值作為引數，並返回字串。結構十分明瞭。其中的evaluate方法並沒有作為interface提供，因為實際使用時，函式的引數個數及型別是多變的。
以上UDF名稱是不區分大小寫的，比如呼叫時寫成PASS_SCORE也是可以的（因為它是hive中的別名，不是java類名）。
使用完成後，可呼叫以下語句刪除函式別名：
Drop temporary function pass_score;
UDAF
使用者定義聚集函式（User-defined aggregate function）。接受多行輸入，併產生單行輸出。比如MAX，COUNT函式。
編寫以下Java程式碼：
packagecom.oserp.hiveudf;
importorg.apache.hadoop.hive.ql.exec.UDAF;
importorg.apache.hadoop.hive.ql.exec.UDAFEvaluator;
importorg.apache.hadoop.hive.serde2.io.DoubleWritable;
importorg.apache.hadoop.io.IntWritable;
publicclass HiveAvgextends UDAF {
public staticclass AvgEvaluate implements UDAFEvaluator
{
public staticclass PartialResult
{
public intcount;
public doubletotal;
public PartialResult()
{
count = 0;
total = 0;
}
}
private PartialResultpartialResult;
@Override
public voidinit() {
partialResult = new PartialResult();
}
public booleaniterate(IntWritable value)
{
// 此處一定要判斷partialResult是否為空，否則會報錯
// 原因就是init函式只會被呼叫一遍，不會為每個部分聚集操作去做初始化
//此處如果不加判斷就會出錯
if (partialResult==null)
{
partialResult =new PartialResult();
}
if (value !=null)
{
partialResult.total =partialResult.total +value.get();
partialResult.count=partialResult.count + 1;
}
return true;
}
public PartialResult terminatePartial()
{
returnpartialResult;
}
public booleanmerge(PartialResult other)
{
partialResult.total=partialResult.total + other.total;
partialResult.count=partialResult.count + other.count;
return true;
}
public DoubleWritable terminate()
{
return newDoubleWritable(partialResult.total /partialResult.count);
}
}
}
然後打包成jar檔案，比如hiveudf.jar。
執行以下語句：
add jar/home/user/hadoop_jar/hiveudf.jar;
create temporary function avg_udf as'com.oserp.hiveudf.HiveAvg';
select classNo, avg_udf(score) from studentgroup by classNo;
輸出結果如下：
C01 68.66666666666667
C02 80.66666666666667
C03 73.33333333333333
參照以上圖示（來自Hadoop權威教程）我們來看看各個函式：
l Init在類似於建構函式，用於UDF的初始化。
注意上圖中紅色框中的init函式。在實際執行中，無論hive將記錄集劃分了多少個部分去做（比如上圖中的file1和file2兩個部分），init函式僅被呼叫一次。所以上圖中的示例是有歧義的。這也是為什麼上面的程式碼中加了特別的註釋來說明。或者換一句話說，init函式中不應該用於初始化部分聚集值相關的邏輯，而應該處理全域性的一些資料邏輯。
l Iterate函式用於聚合。當每一個新的值被聚合時，此函式被呼叫。
l TerminatePartial函式在部分聚合完成後被呼叫。當hive希望得到部分記錄的聚合結果時，此函式被呼叫。
l Merge函式用於合併先前得到的部分聚合結果（也可以理解為分塊記錄的聚合結果）。
l Terminate返回最終的聚合結果。
我們可以看出merge的輸入引數型別和terminatePartial函式的返回值型別必須是一致的。
UDTF
使用者定義表生成函式（User-defined table-generating function）。接受單行輸入，併產生多行輸出（即一個表）。不是特別常用，此處不詳述。