14.Spark SQL：UDAF自定义聚合函数实战

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.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

/**
* @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.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

/**
* 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")
.set
4000
AppName("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：