SparkSql自定义UDF和UDAF函数

逃离我推掉我的手 2023-01-01 02:55 202阅读 0赞

# SparkSql自定义UDF和UDAF函数 #

package com.spark.sparksql
    
    
    import org.apache.spark.sql.{ Encoder, Encoders, Row, SparkSession}
    import org.apache.spark.sql.expressions.{ Aggregator, MutableAggregationBuffer, UserDefinedAggregateFunction}
    import org.apache.spark.sql.types.{ DataType, DoubleType, IntegerType, StructType}
    import org.junit.Test
    
    /**sql可以使用的函数： * 1.一进一出：UDF函数 * 2.多进一出：UDAF函数 * 3.一进多出：UDTF函数（spark sql没有） */
    class $03_udf { 
      
      val spark = SparkSession.builder().master("local[4]")
        .appName("test").getOrCreate()
      import spark.implicits._
      
      
      /** * sparkSql中自定义udf函数步骤： * 1.定义一个方法/函数 * 2.注册定义的方法/函数 */
      @Test
      def udf:Unit={ 
      
        val df = List( ("1001","zhangsan",20),("000102","lisi",30),("0123","wangwu",40) )
          .toDF("id","name","age")
        //需求：正常用户id应该为8位，不满8位的id左边以0补齐
        
        //注册函数
        spark.udf.register("preId",prefixUserId _)
        //调用自定义函数
        df.selectExpr("preId(id)","name","age").show()
       
      }
      
      /** * 定义补齐id的方法 * @param id * @return */
      def prefixUserId(id:String):String={ 
        //判断id是否有8位
        if (id.length<8){ 
          //不足补齐
          "0"*(8-id.length) + id
        }else{ 
          id
        }
      }
      
      
      /** * 自定义udaf函数： * 1.使用弱类型方式：spark3.0中标记过时 * 1.定义一个class继承UserDefinedAggregateFunction * 2.重写方法 * 3.注册 * 4.使用 * 2.使用强类型方法：spark3.0主推使用 * 1.定义一个class继承Aggregator * 2.重写方法 * 3.注册 * 4。使用 */
      @Test
      def udaf1:Unit={ 
      
        val df = List( ("1001","zhangsan",20),("000102","lisi",30),("0123","wangwu",40) ).toDF("id","name","age")
      
        //注册弱类型udaf函数
        spark.udf.register("myAvg",new MyAvgAgg)
        df.selectExpr("myAvg(age)").show()
        
        import org.apache.spark.sql.functions._
        //注册强类型udaf函数
        spark.udf.register("myAvg2",udaf(new MyAvgAgg2))
        df.selectExpr("myAvg2(age)").show()
        
      }
      
    }
    
    case class Buff(var sum:Int, var count:Int)
    
    /** * IN: 要聚集的元素类型 * BUF: 中间变量的类型 * OUT: 最终结果类型 */
    class  MyAvgAgg2   extends  Aggregator[Int,Buff ,Double] { 
      
      //初始化中间变量
      override def zero: Buff = Buff(0, 0)
      //每个task中聚合元素
      override def reduce(b: Buff, a: Int): Buff = { 
        Buff(b.sum + a, b.count + 1)
      }
      //合并所有task的聚合结果
      override def merge(b1: Buff, b2: Buff): Buff = { 
        Buff(b1.sum + b2.sum, b1.count + b2.count)
      }
      //获取最终结果值
      override def finish(reduction: Buff): Double = { 
        reduction.sum.toDouble / reduction.count
      }
      //spark内部对中间结果编码使用
      //case class全部都是Product类型
      override def bufferEncoder: Encoder[Buff] = Encoders.product[Buff]
      //spark内部对最终结果编码使用
      override def outputEncoder: Encoder[Double] = Encoders.scalaDouble
    }
    
    
    /** * 弱类型udaf： * 自定义一个udaf，计算平均值 * 计算平均值需要两个中间变量：sum、count */
    class MyAvgAgg extends UserDefinedAggregateFunction{ 
      
      //输入数据类型
      override def inputSchema: StructType = new StructType().add("input",IntegerType)
      //定义计算的时候中间变量的数据类型
      override def bufferSchema: StructType = new StructType().add("sum",IntegerType)
        .add("count",IntegerType)
      //定义最终结果值类型
      override def dataType: DataType = DoubleType
      //设置稳定性，同样的输入是否输出相同
      override def deterministic: Boolean = true
      //初始化中间变量
      override def initialize(buffer: MutableAggregationBuffer): Unit = { 
        //初始化sum值
        buffer.update(0,0)
        //初始化count值
        buffer.update(1,0)
      }
      
      /** * 每个task中对数据进行聚合 * @param buffer 中间结果 * @param input 输入的数据 */
      override def update(buffer: MutableAggregationBuffer, input: Row): Unit = { 
        //更新sum值
        buffer(0) = buffer.getAs[Int](0) + input.getAs[Int](0)
        //更新count值
        buffer(1) = buffer.getAs[Int](1) + 1
      }
      
      /** * 合并每个task聚合结果 * @param buffer1 * @param buffer2 */
      override def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = { 
        //累加sum
        buffer1(0) = buffer1.getAs[Int](0) + buffer2.getAs[Int](0)
        //累加count
        buffer1(1) = buffer1.getAs[Int](1) + buffer2.getAs[Int](1)
      }
      
      /** * 计算得到最终结果 * @param buffer * @return */
      override def evaluate(buffer: Row): Any = { 
        buffer.getAs[Int](0).toDouble / buffer.getAs[Int](1)
      }
    }