AI 助理
备案控制台
开发者社区 大数据与机器学习 大数据计算 MaxCompute 文章 正文

UDF精简使用大全

2021-06-07 6149
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
本文涉及的产品
云原生大数据计算服务MaxCompute，500CU*H 100GB 3个月
云原生大数据计算服务 MaxCompute，5000CU*H 100GB 3个月
简介： 在MaxCompute开发过程中，开发同学遇到的的一些复杂逻辑该如何处理，如何在MaxCompute开发不同场景下的UDF函数？带着这个问题，本文针对UDF的各方面内容做出介绍，其中涉及UDF对应不同语言的类型映射关系、以及对应UDF在重载、访问网络、引用表与资源、以及第三方包的使用为大家做出展示。

一、UDF的分类

UDF类型

描述

UDF（User Defined Scalar Function）

用户自定义标量值函数。其输入与输出是一对一的关系，即读入一行数据，输出一个值。

UDTF（User Defined Table Valued Function）

自定义表值函数。用于解决调用一次函数输出多行数据的需求。UDTF是唯一能够返回多个字段的自定义函数。UDTF不等于UDT（User Defined Type）。

UDAF（User Defined Aggregation Function）

自定义聚合函数。其输入与输出是多对一的关系，即将多条输入记录聚合成一个输出值。UDAF可以与SQL中的GROUP BY语句联用。具体语法请参见

聚合函数

。

二、UDF参数解析

MaxCompute数据类型与Java数据类型的对应关系如下。

注意点：

  • 此处ARRAY类型对应的Java类型是List，而不是数组。
  • VARCHAR,BINART,STRUCT一些数据类型是ODPS独有的
  • Java中对应的数据类型以及返回值数据类型是对象，数据类型首字母需大写。

MaxCompute Type

Java Type

TINYINT

java.lang.Byte

SMALLINT

java.lang.Short

INT

java.lang.Integer

BIGINT

java.lang.Long

FLOAT

java.lang.Float

DOUBLE

java.lang.Double

DECIMAL

java.math.BigDecimal

BOOLEAN

java.lang.Boolean

STRING

java.lang.String

VARCHAR

com.aliyun.odps.data.Varchar

BINARY

com.aliyun.odps.data.Binary

DATETIME

java.util.Date

TIMESTAMP

java.sql.Timestamp

ARRAY

java.util.List

MAP

java.util.Map

STRUCT

com.aliyun.odps.data.Struct

MaxCompute 2.0版本支持定义Java UDF时，使用Writable类型作为参数和返回值。MaxCompute数据类型和Java Writable类型的映射关系如下。

MaxCompute Type

Java Writable Type

TINYINT

ByteWritable

SMALLINT

ShortWritable

INT

IntWritable

BIGINT

LongWritable

FLOAT

FloatWritable

DOUBLE

DoubleWritable

DECIMAL

BigDecimalWritable

BOOLEAN

BooleanWritable

STRING

Text

VARCHAR

VarcharWritable

BINARY

BytesWritable

DATETIME

DatetimeWritable

TIMESTAMP

TimestampWritable

INTERVAL_YEAR_MONTH

IntervalYearMonthWritable

INTERVAL_DAY_TIME

IntervalDayTimeWritable

ARRAY

N/A

MAP

N/A

STRUCT

N/A

MaxCompute SQL Type

Python 2 Type

BIGINT

INT

STRING

STR

DOUBLE

FLOAT

BOOLEAN

BOOL

DATETIME

INT

FLOAT

FLOAT

CHAR

STR

VARCHAR

STR

BINARY

BYTEARRAY

DATE

INT

DECIMAL

DECIMAL.DECIMAL

ARRAY

LIST

MAP

DICT

STRUCT

COLLECTIONS.NAMEDTUPLE

MaxCompute SQL Type

Python 3 Type

BIGINT

INT

STRING

UNICODE

DOUBLE

FLOAT

BOOLEAN

BOOL

DATETIME

DATETIME.DATETIME

FLOAT

FLOAT

CHAR

UNICODE

VARCHAR

UNICODE

BINARY

BYTES

DATE

DATETIME.DATE

DECIMAL

DECIMAL.DECIMAL

ARRAY

LIST

MAP

DICT

STRUCT

COLLECTIONS.NAMEDTUPLE

三、UDF的使用方式

UDF、UDTF、UDAT可进行参考文档

https://help.aliyun.com/document_detail/27867.html?spm=a2c4g.11186623.6.762.463d7468xnFPHb

JAVA UDF

UDF的高级使用：

3.1UDF中的变长参数

java语言：

packagecom.mrtest.cn;
importcom.aliyun.odps.udf.UDF;
importcom.aliyun.odps.udf.annotation.Resolve;
importjava.util.ArrayList;
importjava.util.List;
@Resolve({"*->array"})
publicclassTestUDFextendsUDF {
publicListevaluate(String ... s) {
Listlist=newArrayList();
for (Stringname : s) {
list.add(name);
        }
returnlist;
    }
}

Python语言：

fromodps.udfimportannotate@annotate("*->bigint")
classParamFunc(object):
defevaluate(self, *nums):
sum=0fornuminnums:
sum=num+sumreturnsum

3.2UDF的重载

注意事项：对于List与List是不能解析对应的方法的，这种属于类型擦除

packagecom.aliyun.odps.examples.udf;
importcom.aliyun.odps.udf.UDF;
publicclassUDFExampleextendsUDF {
publicStringevaluate(Stringa) {
return"s2s:"+a;
  }
publicStringevaluate(Stringa, Stringb) {
return"ss2s:"+a+","+b;
  }
publicStringevaluate(Stringa, Stringb, Stringc) {
return"sss2s:"+a+","+b+","+c;
  }
}

3.3UDF访问对应文件和表

java语言：

packagecom.aliyun.odps.examples.udf;
importcom.aliyun.odps.udf.ExecutionContext;
importcom.aliyun.odps.udf.UDF;
importcom.aliyun.odps.udf.UDFException;
importjava.io.BufferedReader;
importjava.io.IOException;
importjava.io.InputStream;
importjava.io.InputStreamReader;
importjava.util.Iterator;
publicclassUDFResourceextendsUDF {
ExecutionContextctx;
longfileResourceLineCount;
longtableResource1RecordCount;
longtableResource2RecordCount;
@Overridepublicvoidsetup(ExecutionContextctx) throwsUDFException {
this.ctx=ctx;
try {
InputStreamin=ctx.readResourceFileAsStream("file_resource.txt");
BufferedReaderbr=newBufferedReader(newInputStreamReader(in));
Stringline;
fileResourceLineCount=0;
while ((line=br.readLine()) !=null) {
fileResourceLineCount++;
      }
br.close();
Iteratoriterator=ctx.readResourceTable("table_resource1").iterator();
tableResource1RecordCount=0;
while (iterator.hasNext()) {
tableResource1RecordCount++;
iterator.next();
      }
iterator=ctx.readResourceTable("table_resource2").iterator();
tableResource2RecordCount=0;
while (iterator.hasNext()) {
tableResource2RecordCount++;
iterator.next();
      }
    } catch (IOExceptione) {
thrownewUDFException(e);
    }
  }
/*** project: example_project table: wc_in2 partitions: p2=1,p1=2 columns: colc,colb*/publicStringevaluate(Stringa, Stringb) {
return"ss2s:"+a+","+b+"|fileResourceLineCount="+fileResourceLineCount+"|tableResource1RecordCount="+tableResource1RecordCount+"|tableResource2RecordCount="+tableResource2RecordCount;
  }
}



python语言：

#coding: utf-8fromodps.udfimportannotatefromodps.distcacheimportget_cache_file@annotate('double -> double')
classCompute(object):
def__init__(self):
importjson#获取对应文本文件cache_file=get_cache_file('file.txt')
dataMat= []
forlineincache_file :
curLine=line.strip().split(',')
#处理逻辑cache_file.close()
#获取对应的表文件records=list(get_cache_table('table_resource1'))
forrecordinrecords:
self.my_dict[record[0]] = [record[1]]
#处理逻辑defevaluate(self, input):
#处理逻辑

     

3.4UDF访问外部网络(VPC、外部网络、专有网络）

https://help.aliyun.com/document_detail/187866.html

3.5UDF使用第三方包

https://help.aliyun.com/document_detail/189752.html

#coding: utf-8# explode.pyfromodps.udfimportannotatefromodps.distcacheimportget_cache_archiveimportdatetimedefinclude_package_path(res_name):
importos, sysarchive_files=get_cache_archive(res_name)
dir_names=sorted ([os.path.dirname(os.path.normpath(f.name)) forfinarchive_filesif'.dist_info'notinf.name], key=lambdav: len(v))
sys.path.append(os.path.dirname(dir_names[0]))
@annotate("string->boolean")
classis_workday_udf(object):
def__init__(self):
include_package_path('chinese-calendar-master.zip')
defevaluate(self, date_str):
# try:importchinese_calendardate_strs=date_str.split("-")
year_num=int(date_strs[0])
month_num=int(date_strs[1])
day_num=int(date_strs[2])
date_num=datetime.date(year=year_num, month=month_num, day=day_num)
result=chinese_calendar.is_workday(date_num)
returnresult# except:#     return True

函数的注册

执行的select的的操作

set odsp.pypy.enabled=false;set odps.isolation.session.enable=true;select my_json('{"info":"11","desc":"a|b","filename":"4b-2a-3c-4d-5b"}')as a;



3.6使用嵌入式开发UDF

java语言：

CREATE TEMPORARY FUNCTION foo AS'com.mypackage.Reverse' USING
#CODE ('lang'='JAVA')package com.mypackage;import com.aliyun.odps.udf.UDF;public class Reverse extends UDF {  public String evaluate(String input){    if (input ==null) return null;    StringBuilder ret = new StringBuilder();    for (int i = input.toCharArray().length-1; i >=0; i--) {      ret.append(input.toCharArray()[i]);}    return ret.toString();}}#END CODE;


SELECT foo('abdc');

  • 嵌入式代码块可以置于USING后或脚本末尾，置于USING后的代码块作用域仅为CREATE TEMPORARY FUNCTION语句。
  • CREATE TEMPORARY FUNCTION创建的函数为临时函数，仅在本次执行生效，不会存入MaxCompute的Meta系统。


python语言：

CREATETEMPORARYFUNCTIONfooAS'embedded.UDFTest'USING#CODE ('lang'='PYTHON', 'filename'='embedded')fromodps.udfimportannotate@annotate("bigint->bigint")
classUDFTest(object):
defevaluate(self, a):
returna*a#END CODE;


SELECT foo(4);

  • Python代码的缩进需要符合Python语言规范。
  • 由于注册Python UDF时AS后的类名需要包含Python源码的文件名，您可以通过’filename’=’embedded’指定一个虚拟文件名。

3.7使用SQL语言定义函数

create sql function my_sum(@a BIGINT, @b BIGINT, @c BIGINT) returns @my_sum BIGINTasbegin    @temp := @a + @b;    @my_sum := @temp + @c;end;
create sql function my_func(@s STRING)AS if(@s rlike '"git_(m|a)"',1,0);


欢迎加入“MaxCompute开发者社区2群”,点击链接申请加入或扫描二维码

https://h5.dingtalk.com/invite-page/index.html?bizSource=____source____&corpId=dingb682fb31ec15e09f35c2f4657eb6378f&inviterUid=E3F28CD2308408A8&encodeDeptId=0054DC2B53AFE745

文章标签：
云原生大数据计算服务 MaxCompute
Java
Python
分布式计算
SQL
网络安全
数据格式
开发者
MaxCompute
JSON
相关实践学习
基于MaxCompute的热门话题分析
本实验围绕社交用户发布的文章做了详尽的分析，通过分析能得到用户群体年龄分布，性别分布，地理位置分布，以及热门话题的热度。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品，是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法，从场景到实践，体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库，助力开发者学习了解先进的技术栈，并能在实际业务中敏捷的进行大数据分析，赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景，可应用MaxCompute实现数仓搭建，快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理，需要搭建数据仓库？学它！ 没有足够人员和经验来运维大数据平台，不想自建IDC买机器，需要免运维的大数据平台？会SQL就等于会大数据？学它！ 想知道大数据用得对不对，想用更少的钱得到持续演进的数仓能力？获得极致弹性的计算资源和更好的性能，以及持续保护数据安全的生产环境？学它！ 想要获得灵活的分析能力，快速洞察数据规律特征？想要兼得数据湖的灵活性与数据仓库的成长性？学它！ 出品人：阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
耿江涛
目录
相关文章
泡沫o0
|
7月前
|
编译器 C语言 C++
C/C++编译优化技巧：预编译头文件(PCH)使用方法
C/C++编译优化技巧：预编译头文件(PCH)使用方法
泡沫o0
612 1
极客李华
|
7月前
|
SQL 搜索推荐 Java
Hive中的UDF是什么？请解释其作用和使用方法。
Hive中的UDF是什么？请解释其作用和使用方法。
极客李华
100 0
极客李华
|
7月前
|
SQL 存储 分布式计算
Hive的性能优化有哪些方法？请举例说明。
Hive的性能优化有哪些方法？请举例说明。
极客李华
163 0
明哥的IT随笔
|
SQL 存储 Java
浅析 hive udaf 的正确编写方式- 论姿势的重要性
浅析 hive udaf 的正确编写方式- 论姿势的重要性
明哥的IT随笔
93 0
osc_06552749
|
SQL 数据采集 数据挖掘
自定义 UDF、UDTF【重点】
自定义 UDF、UDTF【重点】
osc_06552749
210 0
Maynor
|
SQL 存储 负载均衡
工作常用之Hive 调优【四】HQL 语法优化
列裁剪就是在查询时只读取需要的列，分区裁剪就是只读取需要的分区。当列很多或者数据量很大时，如果 select * 或者不指定分区，全列扫描和全表扫描效率都很低。
Maynor
306 0
工作常用之Hive 调优【四】HQL 语法优化
码农飞哥
|
SQL 存储 Java
Java 结构化数据处理开源库SPL，再也不用苦哈哈写SQL了
现代Java应用架构越来越强调数据存储和处理分离，以获得更好的可维护性、可扩展性以及可移植性，比如火热的微服务就是一种典型。
码农飞哥
212 0
刘-建伟
|
SQL 分布式计算 Java
MaxCompute中Struct复杂数据类型的UDF编写、兼容HIVE的GenericUDF编写
MaxCompute 2.0版本升级后，Java UDF支持的数据类型从原来的BIGINT、STRING、DOUBLE、BOOLEAN扩展了更多基本的数据类型，同时还扩展支持了ARRAY、MAP、STRUCT等复杂类型，以及Writable参数。
刘-建伟
2275 0
MaxCompute中Struct复杂数据类型的UDF编写、兼容HIVE的GenericUDF编写
抚月
|
SQL 分布式计算 Java
【译】深入分析Spark UDF的性能
这篇博客会阐述一份关于Apache Spark的在Scala UDF、 PySpark UDF 和PySpark Pandas UDF之间的性能评测报告。
抚月
3331 0
【译】深入分析Spark UDF的性能
金色海洋
|
SQL
我的数据访问函数库的源代码（二）—— SQL语句部分
/* 2008 4 25 更新 */ 我的数据访问函数库的源码。整个类有1400行，原先就是分开来写的，现在更新后还是分开来发一下吧。 第二部分：SQL语句部分。传入SQL语句，执行相关的操作。   1//查询语句部分  2        运行查询语句返回记录（DataSet、DataTable、DataRow、String[]、String）#region 运行查询语句返回记录（DataSet、DataTable、DataRow、String[]、String）  3      4        /**////   5        /// 运行SQL查询语句 返回DataSet。
金色海洋
870 0
大数据与机器学习

大数据计算 MaxCompute

热门文章

最新文章

  • 1
    odps是什么?
  • 2
    MaxCompute常见错误汇总（更新ing）
  • 3
    混合云模式下 MaxCompute + Hadoop 混搭大数据架构实践
  • 4
    大数据workshop：《云数据·大计算：海量日志数据分析与应用》之《数据加工：用户画像》篇
  • 5
    在PyODPS DataFrame自定义函数中使用pandas、scipy和scikit-learn
  • 6
    【转载文章】记录一次MySQL两千万数据的大表优化解决过程，提供三种解决方案
  • 7
    从声学模型算法角度总结 2016 年语音识别的重大进步
  • 8
    阿里云全新一代企业级新品解读—通过MaxCompute Studio实践大数据时代的DevOps
  • 9
    阿里云 MaxCompute 2020-4 月刊
  • 10
    细数阿里云服务器的十二种典型应用场景
  • 1
    代理IP故障排查技巧汇总及实战经验分享
    15
  • 2
    免费HTTP代理IP对业务稳定性的影响关键因素分析
    33
  • 3
    HTTP代理服务器在网络安全中的重要性
    19
  • 4
    网络不稳定导致HTTP代理频繁掉线的分析
    21
  • 5
    MaxCompute Bloomfilter index 在蚂蚁安全溯源场景大规模点查询的最佳实践
    35
  • 6
    探讨代理IP使用中用户体验差异的原因
    27
  • 7
    HTTP代理稳定性大作战长效和短效的实力较量
    32
  • 8
    HTTP代理网速变慢的原因及优化策略
    30
  • 9
    使用代理IP爬虫时数据不完整的原因探讨
    38
  • 10
    如何评估HTTP代理IP的性能？
    30

    • 相关电子书

    更多
  • MySQL查询优化实战
  • JavaScript 语言在引擎级别的执行过程
  • Blink SQL关键技术及实现原理
    • 下一篇
    【案例实战】SpringBoot整合阿里云文件上传OSS