java spark 二次开发 java spark udf_hive

1. 起因

平时写sql语句的时候经常会有大表与小标做关联查询，然后再进行group by等逻辑分组处理，或者是有很多判断条件，sql里有很多if语句，一些区间类的结构查询，这种sql语句直接放到spark上执行，会有大量的shuffle，而且执行时间巨慢。

尤其是大表和小表数据差距特别大，大表作为主要处理对象，进行shuffle和map的时候花费大量时间。

2. 优化开始

2.1 改成java代码编写程序

首先的一个方法是用java代码编写spark程序，把所有的条件全部打散，或者小表做广播变量，然后每次处理数据时候再进行取值和判断。

但这么会让代码可读性比较差，而且如果是用一些工具直接运行sql出计算结果，破坏程序整体性。

2.2 使用UDF

UDF（User-Defined Functions）即是用户定义的hive函数。hive自带的函数并不能完全满足业务需求，这时就需要我们自定义函数了。

我们这里只做最简单的UDF，就是制作一个hive函数，然后在大表中查询的时候，直接去调用方法把当初需要关联才能获得数据直接返回。

首先可以定义一个udf类

public class UDF implements UDF2<Long, Long, Long> {

    Map<Long, TreeMap<Long, Long>> map;

    public TripUDF(Broadcast<Map<Long, TreeMap<Long, Long>>> bmap) {
        this.map = bmap.getValue();
    }

    @Override
    public Long call(Long id, Long time) throws Exception {
        if (map.containsKey(terminalId)) {
            Map.Entry<Long, Long> a = map.get(id).floorEntry(time);
            Map.Entry<Long, Long> b = map.get(id).ceilingEntry(time);
            if (null != a && null != b) {
                if (a.getValue().equals(b.getValue())) {
                    return a.getValue();
                }
            }
        }
        return -1L;
    }
}

这个UDF方法就是先把小表的数据查询出来，做成TreeMap，然后把范围都放进去，广播出去，再每次查询的时候，都用大表到这里去用id和time进行匹配，匹配成功就是要获得的结果

如果用sql去表达，大概就是，大表的time需要去匹配小表的时间段。

tablea join tableb 
on tablea.id=tableb.id and 
tablea.time >= tableb.timeStart and 
tablea.time <= tableb.timeEnd

然后spark去注册UDF方法

String udfMethod = "structureMap";
spark.udf().register(udfMethod, new UDF(broadcast1), DataTypes.StringType);

这样直接去查询大表，然后在特定字段使用udf方法，就可以直接获取相应的结果

select id,time,structureMap(id,time) as tag from tablea

这样tag的最终结果就和直接关联tableb然后再获取其中的值是一样的结果，但具体执行的内容都交给spark去优化。