Hive自定义函数
当Hive提供的内置函数无法满足你的业务处理需要时，此时就可以考虑使用用户自定义函数（UDF：user-defined function）。
Hive目前只支持用java语言书写自定义函数。如果需要采用其他语言，比如Python，可以考虑上一节提到的transform语法来实现。
Hive支持三种自定义函数，我们逐个讲解。
UDF
这是普通的用户自定义函数。接受单行输入，并产生单行输出。
编写java代码如下：
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;
}
}
然后，打包成.jar文件，比如hiveudf.jar。
执行以下语句：
add jar /home/user/hadoop_jar/hiveudf.jar;
create temporary function pass_scorecom.oserp.hiveudf.PassExam;
select stuNo,pass_score(score) from student;
输出结果为：
N0101 Pass
N0102 Failed
N0201 Pass
N0103 Pass
N0302 Pass
N0202 Pass
N0203 Pass
N0301 Failed
N0306 Pass
第一个语句注册jar文件；第二个语句为自定义函数取别名；第三个语句调用自定义函数。
Java代码中，自定义函数的类继承自UDF类，且提供了一个evaluate方法。这个方法接受一个整数值作为参数，并返回字符串。结构十分明了。其中的evaluate方法并没有作为interface提供，因为实际使用时，函数的参数个数及类型是多变的。
以上UDF名称是不区分大小写的，比如调用时写成PASS_SCORE也是可以的（因为它是hive中的别名，不是java类名）。
使用完成后，可调用以下语句删除函数别名：
Drop temporary function pass_score;
UDAF
用户定义聚集函数（User-defined aggregate function）。接受多行输入，并产生单行输出。比如MAX，COUNT函数。
编写以下Java代码：
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)
{
// 此处一定要判断partialResult是否为空，否则会报错
// 原因就是init函数只会被调用一遍，不会为每个部分聚集操作去做初始化
//此处如果不加判断就会出错
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);
}
}
}
然后打包成jar文件，比如hiveudf.jar。
执行以下语句：
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;
输出结果如下：
C01 68.66666666666667
C02 80.66666666666667
C03 73.33333333333333
参照以上图示（来自Hadoop权威教程）我们来看看各个函数：
l Init在类似于构造函数，用于UDF的初始化。
注意上图中红色框中的init函数。在实际运行中，无论hive将记录集划分了多少个部分去做（比如上图中的file1和file2两个部分），init函数仅被调用一次。所以上图中的示例是有歧义的。这也是为什么上面的代码中加了特别的注释来说明。或者换一句话说，init函数中不应该用于初始化部分聚集值相关的逻辑，而应该处理全局的一些数据逻辑。
l Iterate函数用于聚合。当每一个新的值被聚合时，此函数被调用。
l TerminatePartial函数在部分聚合完成后被调用。当hive希望得到部分记录的聚合结果时，此函数被调用。
l Merge函数用于合并先前得到的部分聚合结果（也可以理解为分块记录的聚合结果）。
l Terminate返回最终的聚合结果。
我们可以看出merge的输入参数类型和terminatePartial函数的返回值类型必须是一致的。
UDTF
用户定义表生成函数（User-defined table-generating function）。接受单行输入，并产生多行输出（即一个表）。不是特别常用，此处不详述。