Apache SparkSQL ScalaAPI 自定义函数

SparkSQL 自定义函数

自定义函数分类

类似于hive当中的自定义函数， spark同样可以使用自定义函数来实现新的功能。
spark中的自定义函数有如下3类

1.UDF(User-Defined-Function)
输入一行，输出一行

2.UDAF(User-Defined Aggregation Funcation)
输入多行，输出一行

3.UDTF(User-Defined Table-Generating Functions)
输入一行，输出多行

自定义UDF

udf.txt内容：

Hello
abc
study
small

通过自定义UDF函数将每一行数据转换成大写

select value,smallToBig(value) from t_word 

代码示例：

package demo12

import org.apache.spark.SparkContext
import org.apache.spark.sql.{Dataset, SparkSession}

object Test10 {
  def main(args: Array[String]): Unit = {
    //1.创建SparkSession
    val spark: SparkSession = SparkSession.builder().master("local[*]").appName("SparkSQL").getOrCreate()
    val sc: SparkContext = spark.sparkContext
    sc.setLogLevel("WARN")

    //2.读取文件
    val fileDS: Dataset[String] = spark.read.textFile("E:\\cache\\sparkCache\\20200409\\udf.txt")
    fileDS.show()
    /*
    +----------+
    |     value|
    +----------+
    |helloworld|
    |       abc|
    |     study|
    | smallWORD|
    +----------+
     */
    /*
     将每一行数据转换成大写
     select value,smallToBig(value) from t_word
     */
    //注册一个函数名称为smallToBig,功能是传入一个String,返回一个大写的String
    spark.udf.register("smallToBig",(str:String) => str.toUpperCase())

    fileDS.createOrReplaceTempView("t_word")

    //使用我们自己定义的函数
    spark.sql("select value,smallToBig(value) from t_word").show()
    /*
    +----------+---------------------+
    |     value|UDF:smallToBig(value)|
    +----------+---------------------+
    |helloworld|           HELLOWORLD|
    |       abc|                  ABC|
    |     study|                STUDY|
    | smallWORD|            SMALLWORD|
    +----------+---------------------+
     */

    sc.stop()
    spark.stop()
  }
}

自定义UDAF

udaf.json内容：

{"name":"Michael","salary":3000}
{"name":"Andy","salary":4500}
{"name":"Justin","salary":3500}
{"name":"Berta","salary":4000}

需求：求取平均工资

继承UserDefinedAggregateFunction方法重写说明

代码示例：

package demo12

import org.apache.spark.SparkContext
import org.apache.spark.sql.expressions.{MutableAggregationBuffer, UserDefinedAggregateFunction}
import org.apache.spark.sql.types._
import org.apache.spark.sql.{DataFrame, Row, SparkSession}

object Test11 {
  def main(args: Array[String]): Unit = {
    
    //1.获取sparkSession
    val spark: SparkSession = SparkSession.builder().appName("SparkSQL").master("local[*]").getOrCreate()
    val sc: SparkContext = spark.sparkContext
    sc.setLogLevel("WARN")

    //2.读取文件
    val employeeDF: DataFrame = spark.read.json("E:\\cache\\sparkCache\\20200409\\udaf.json")

    //3.创建临时表
    employeeDF.createOrReplaceTempView("t_employee")

    //4.注册UDAF函数
    spark.udf.register("myavg",new MyUDAF)

    //5.使用自定义UDAF函数
    spark.sql("select myavg(salary) from t_employee").show()

    //6.使用内置的avg函数
    spark.sql("select avg(salary) from t_employee").show()

  }
}

class MyUDAF extends UserDefinedAggregateFunction{
  //输入的数据类型的schema
  override def inputSchema: StructType = {
    StructType(StructField("input",LongType)::Nil)
  }
  //缓冲区数据类型schema，就是转换之后的数据的schema
  override def bufferSchema: StructType = {
    StructType(StructField("sum",LongType)::StructField("total",LongType)::Nil)
  }
  //返回值的数据类型
  override def dataType: DataType = {
    DoubleType
  }
  //确定是否相同的输入会有相同的输出
  override def deterministic: Boolean = {
    true
  }
  //初始化内部数据结构
  override def initialize(buffer: MutableAggregationBuffer): Unit = {
    buffer(0) = 0L
    buffer(1) = 0L
  }
  //更新数据内部结构,区内计算
  override def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
    //所有的金额相加
    buffer(0) = buffer.getLong(0) + input.getLong(0)
    //一共有多少条数据
    buffer(1) = buffer.getLong(1) + 1
  }
  //来自不同分区的数据进行合并,全局合并
  override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
    buffer1(0) =buffer1.getLong(0) + buffer2.getLong(0)
    buffer1(1) = buffer1.getLong(1) + buffer2.getLong(1)
  }
  //计算输出数据值
  override def evaluate(buffer: Row): Any = {
    buffer.getLong(0).toDouble / buffer.getLong(1)
  }
}