SparkSQL的两种UDAF的讲解

2023-10-09 03:48
文章标签 讲解 两种 sparksql udaf

本文主要是介绍SparkSQL的两种UDAF的讲解,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

Spark的dataframe提供了通用的聚合方法,比如count(),countDistinct(),avg(),max(),min()等等。然而这些函数是针对dataframe设计的,当然sparksql也有类型安全的版本,java和scala语言接口都有,这些就适用于强类型Datasets。本文主要是讲解spark提供的两种聚合函数接口:

1, UserDefinedAggregateFunction

2,Aggregator

这两个接口基本上满足了,用户自定义聚合函数的需求。

UserDefinedAggregateFunction

类UserDefinedAggregateFunction,在文件udaf.scala里面。是实现用户自定义聚合函数UDAF的基础类,首先,我们先看看该类的基本信息

abstract class UserDefinedAggregateFunction extends Serializable {
StructType代表的是该聚合函数输入参数的类型。例如,一个UDAF实现需要两个输入参数,
类型分别是DoubleType和LongType,那么该StructType格式如下:
   new StructType()
   .add("doubleInput",DoubleType)
   .add("LongType",LongType)
那么该udaf就只会识别,这种类型的输入的数据。
 def inputSchema: StructType
  该StructType代表aggregation buffer的类型参数。例如,一个udaf的buffer有
  两个值,类型分别是DoubleType和LongType,那么其格式将会如下:

    new StructType()
     .add("doubleInput", DoubleType)
     .add("longInput", LongType)
    也只会适用于类型格式如上的数据
 
 def bufferSchema: StructType

   dataTypeda代表该UDAF的返回值类型
 def dataType: DataType

   如果该函数是确定性的,那么将会返回true,例如,给相同的输入,就会有相同
   的输出
 def deterministic: Boolean
   
   初始化聚合buffer,例如,给聚合buffer以0值
   在两个初始buffer调用聚合函数,其返回值应该是初始函数自身,例如
   merge(initialBuffer,initialBuffer)应该等于initialBuffer。
 def initialize(buffer: MutableAggregationBuffer): Unit

   利用输入输入去更新给定的聚合buffer,每个输入行都会调用一次该函数
 def update(buffer: MutableAggregationBuffer, input: Row): Unit

   合并两个聚合buffer,并且将更新的buffer返回给buffer1
   该函数在聚合并两个部分聚合数据集的时候调用
 def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit

   计算该udaf在给定聚合buffer上的最终结果
 def evaluate(buffer: Row): Any


   使用给定的Column作为输入参数,来为当前UDAF创建一个Column
 @scala.annotation.varargs
 def apply(exprs: Column*): Column = {
val aggregateExpression =
AggregateExpression(
ScalaUDAF(exprs.map(_.expr), this),
       Complete,
       isDistinct = false)
Column(aggregateExpression)
}

   使用给定Column去重后的值作为参数来生成一个Column
 @scala.annotation.varargs
 def distinct(exprs: Column*): Column = {
val aggregateExpression =
AggregateExpression(
ScalaUDAF(exprs.map(_.expr), this),
       Complete,
       isDistinct = true)
Column(aggregateExpression)
}
}

/**
* A `Row` representing a mutable aggregation buffer.
*
* This is not meant to be extended outside of Spark.
*
* @since 1.5.0
*/
@InterfaceStability.Stable
abstract class MutableAggregationBuffer extends Row {

/** Update the ith value of this buffer. */
 def update(i: Int, value: Any): Unit
}

给出一个非类型安全的UDAF实现:


import org.apache.spark.sql.expressions.MutableAggregationBuffer
import org.apache.spark.sql.expressions.UserDefinedAggregateFunction
import org.apache.spark.sql.types._
import org.apache.spark.sql.Row
import org.apache.spark.sql.SparkSession


object UserDefinedUntypedAggregation {


 object MyAverage extends UserDefinedAggregateFunction {
//输入参数的数据类型
   def inputSchema: StructType = StructType(StructField("inputColumn", LongType) :: Nil)
//聚合 buffer的数据类型
   def bufferSchema: StructType = {
StructType(StructField("sum", LongType) :: StructField("count", LongType) :: Nil)
}
// 返回值的数据类型
   def dataType: DataType = DoubleType
// 给定的相同的输入,就会有相同的输入。
   def deterministic: Boolean = true
   //初始化给定的聚合buffer
   def initialize(buffer: MutableAggregationBuffer): Unit = {
buffer(0) = 0L
     buffer(1) = 0L
   }
// 用输入的row来更新聚合buffer
   def update(buffer: MutableAggregationBuffer, input: Row): Unit = {
if (!input.isNullAt(0)) {
buffer(0) = buffer.getLong(0) + input.getLong(0)
buffer(1) = buffer.getLong(1) + 1
     }
}
// 合并两个聚合buffer,并将合并后的值返回给 `buffer1`
   def merge(buffer1: MutableAggregationBuffer, buffer2: Row): Unit = {
buffer1(0) = buffer1.getLong(0) + buffer2.getLong(0)
buffer1(1) = buffer1.getLong(1) + buffer2.getLong(1)
}
// 计算最终输出
   def evaluate(buffer: Row): Double = buffer.getLong(0).toDouble / buffer.getLong(1)
}
// $example off:untyped_custom_aggregation$

 def main(args: Array[String]): Unit = {
val spark = SparkSession
.builder()
.appName("Spark SQL user-defined DataFrames aggregation example")
.getOrCreate()

   //为了使用聚合函数,需要先注册
   spark.udf.register("myAverage", MyAverage)

val df = spark.read.json("examples/src/main/resources/employees.json")
df.createOrReplaceTempView("employees")
df.show()
// +-------+------+
   // |   name|salary|
   // +-------+------+
   // |Michael|  3000|
   // |   Andy|  4500|
   // | Justin|  3500|
   // |  Berta|  4000|
   // +-------+------+

   val result = spark.sql("SELECT myAverage(salary) as average_salary FROM employees")
result.show()
// +--------------+
   // |average_salary|
   // +--------------+
   // |        3750.0|
   // +--------------+
   // $example off:untyped_custom_aggregation$

   spark.stop()
}

}


Aggregator

用户自定义聚合函数的基类,可以在Dataset中使用,取出一个组的数据,然后聚合。该类的源码

        举个栗子
*   val customSummer =  new Aggregator[Data, Int, Int] {
*     def zero: Int = 0
*     def reduce(b: Int, a: Data): Int = b + a.i
*     def merge(b1: Int, b2: Int): Int = b1 + b2
*     def finish(r: Int): Int = r
*   }.toColumn()
*
*   val ds: Dataset[Data] = ...
*   val aggregated = ds.select(customSummer)
* }}}
* @tparam IN The input type for the aggregation.
* @tparam BUF The type of the intermediate value of the reduction.
* @tparam OUT The type of the final output result.
* @since 1.6.0
*/
@Experimental
@InterfaceStability.Evolving
abstract class Aggregator[-IN, BUF, OUT] extends Serializable {

   该剧和函数的0值。需要满足对于任何输入b,那么b+zero=b
 def zero: BUF

   聚合两个值产生一个新的值,为了提升性能,该函数会修改b,然后直接返回b,而
   不适新生成一个b的对象。

 def reduce(b: BUF, a: IN): BUF
   合并两个中间值
 def merge(b1: BUF, b2: BUF): BUF

   转换reduce的输出
 def finish(reduction: BUF): OUT

   为中间值类型提供一个编码器
 def bufferEncoder: Encoder[BUF]

   为最终的输出结果提供一个编码器
 def outputEncoder: Encoder[OUT]
   
   将该聚合函数返回为一个TypedColumn,目的是为了能在Dataset中使用
 def toColumn: TypedColumn[IN, OUT] = {
implicit val bEncoder = bufferEncoder
implicit val cEncoder = outputEncoder

val expr =
AggregateExpression(
TypedAggregateExpression(this),
       Complete,
       isDistinct = false)

new TypedColumn[IN, OUT](expr, encoderFor[OUT])
}
}

该类的一个实现

// 
import org.apache.spark.sql.expressions.Aggregator
import org.apache.spark.sql.Encoder
import org.apache.spark.sql.Encoders
import org.apache.spark.sql.SparkSession
//

object UserDefinedTypedAggregation {

// 自定义输入类型和输出类型
 case class Employee(name: String, salary: Long)
case class Average(var sum: Long, var count: Long)

object MyAverage extends Aggregator[Employee, Average, Double] {
// 0值
   def zero: Average = Average(0L, 0L)
// 合并,输入和buffer
   def reduce(buffer: Average, employee: Employee): Average = {
buffer.sum += employee.salary
buffer.count += 1
     buffer
}
// 合并中间结果
   def merge(b1: Average, b2: Average): Average = {
b1.sum += b2.sum
b1.count += b2.count
b1
}
// 转换reduce的输出类型
   def finish(reduction: Average): Double = reduction.sum.toDouble / reduction.count
// 为中间值类型指定编码器
   def bufferEncoder: Encoder[Average] = Encoders.product
   // 为输出类型指定编码器。
   def outputEncoder: Encoder[Double] = Encoders.scalaDouble
 }
//

 def main(args: Array[String]): Unit = {
val spark = SparkSession
.builder()
.appName("Spark SQL user-defined Datasets aggregation example")
.getOrCreate()

import spark.implicits._

//
   val ds = spark.read.json("examples/src/main/resources/employees.json").as[Employee]
ds.show()
// +-------+------+
   // |   name|salary|
   // +-------+------+
   // |Michael|  3000|
   // |   Andy|  4500|
   // | Justin|  3500|
   // |  Berta|  4000|
   // +-------+------+

   // Convert the function to a `TypedColumn` and give it a name
   val averageSalary = MyAverage.toColumn.name("average_salary")
val result = ds.select(averageSalary)
result.show()
// +--------------+
   // |average_salary|
   // +--------------+
   // |        3750.0|
   // +--------------+
   // $example off:typed_custom_aggregation$

   spark.stop()
}

}

该例子整理自spark2.2.1源码,希望对大家有帮助,欢迎大家进入知识星球,想大神学习,进入高级大牛行列。

640?wx_fmt=jpeg


这篇关于SparkSQL的两种UDAF的讲解的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/170109

相关文章

C# WinForms存储过程操作数据库的实例讲解

《C#WinForms存储过程操作数据库的实例讲解》:本文主要介绍C#WinForms存储过程操作数据库的实例,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录一、存储过程基础二、C# 调用流程1. 数据库连接配置2. 执行存储过程(增删改)3. 查询数据三、事务处

Docker镜像pull失败两种解决办法小结

《Docker镜像pull失败两种解决办法小结》有时候我们在拉取Docker镜像的过程中会遇到一些问题,:本文主要介绍Docker镜像pull失败两种解决办法的相关资料,文中通过代码介绍的非常详细... 目录docker 镜像 pull 失败解决办法1DrQwWCocker 镜像 pull 失败解决方法2总

在C#中调用Python代码的两种实现方式

《在C#中调用Python代码的两种实现方式》:本文主要介绍在C#中调用Python代码的两种实现方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录C#调用python代码的方式1. 使用 Python.NET2. 使用外部进程调用 Python 脚本总结C#调

IDEA中Git版本回退的两种实现方案

《IDEA中Git版本回退的两种实现方案》作为开发者,代码版本回退是日常高频操作,IntelliJIDEA集成了强大的Git工具链,但面对reset和revert两种核心回退方案,许多开发者仍存在选择... 目录一、版本回退前置知识二、Reset方案:整体改写历史1、IDEA图形化操作(推荐)1.1、查看提

Android自定义Scrollbar的两种实现方式

《Android自定义Scrollbar的两种实现方式》本文介绍两种实现自定义滚动条的方法,分别通过ItemDecoration方案和独立View方案实现滚动条定制化,文章通过代码示例讲解的非常详细,... 目录方案一:ItemDecoration实现(推荐用于RecyclerView)实现原理完整代码实现

Redis解决缓存击穿问题的两种方法

《Redis解决缓存击穿问题的两种方法》缓存击穿问题也叫热点Key问题,就是⼀个被高并发访问并且缓存重建业务较复杂的key突然失效了,无数的请求访问会在瞬间给数据库带来巨大的冲击,本文给大家介绍了Re... 目录引言解决办法互斥锁(强一致,性能差)逻辑过期(高可用,性能优)设计逻辑过期时间引言缓存击穿:给

C++快速排序超详细讲解

《C++快速排序超详细讲解》快速排序是一种高效的排序算法,通过分治法将数组划分为两部分,递归排序,直到整个数组有序,通过代码解析和示例,详细解释了快速排序的工作原理和实现过程,需要的朋友可以参考下... 目录一、快速排序原理二、快速排序标准代码三、代码解析四、使用while循环的快速排序1.代码代码1.由快

VSCode中C/C++编码乱码问题的两种解决方法

《VSCode中C/C++编码乱码问题的两种解决方法》在中国地区,Windows系统中的cmd和PowerShell默认编码是GBK,但VSCode默认使用UTF-8编码,这种编码不一致会导致在VSC... 目录问题方法一:通过 Code Runner 插件调整编码配置步骤方法二:在 PowerShell

Java中数组转换为列表的两种实现方式(超简单)

《Java中数组转换为列表的两种实现方式(超简单)》本文介绍了在Java中将数组转换为列表的两种常见方法使用Arrays.asList和Java8的StreamAPI,Arrays.asList方法简... 目录1. 使用Java Collections框架(Arrays.asList)1.1 示例代码1.

C++实现回文串判断的两种高效方法

《C++实现回文串判断的两种高效方法》文章介绍了两种判断回文串的方法:解法一通过创建新字符串来处理,解法二在原字符串上直接筛选判断,两种方法都使用了双指针法,文中通过代码示例讲解的非常详细,需要的朋友... 目录一、问题描述示例二、解法一:将字母数字连接到新的 string思路代码实现代码解释复杂度分析三、