如何给Apache Pig自定义UDF函数？

西大

　　近日由于工作所需，需要使用到Pig来分析线上的搜索日志数据，散仙本打算使用hive来分析的，但由于种种原因，没有用成，而Pig（pig0.12-cdh）散仙一直没有接触过，所以只能临阵磨枪了，花了两天时间，大致看完了pig官网的文档，在看文档期间，也是边实战边学习，这样以来，对pig的学习，会更加容易，当然本篇不是介绍如何快速学好一门框架或语言的文章，正如标题所示，散仙打算介绍下如何在Pig中，使用用户自定义的UDF函数，关于学习经验，散仙会在后面的文章里介绍。



一旦你学会了UDF的使用，就意味着，你可以以更加灵活的方式来使用Pig，使它扩展一些为我们的业务场景定制的特殊功能，而这些功能，在通用的pig里是没有的，举个例子：

你从HDFS上读取的数据格式，如果使用默认的PigStorage（）来加载，存储可能只支持有限的数据编码和类型，如果我们定义了一种特殊的编码存储或序列化方式，那么当我们使用默认的Pig来加载的时候，就会发现加载不了，这时候我们的UDF就派上用场了，我们只需要自定义一个LoadFunction和一个StoreFunction就可以解决，这种问题。


本篇散仙根据官方文档的例子，来实战一下，并在hadoop集群上使用Pig测试通过：
我们先来看下定义一个UDF扩展类，需要几个步骤：

序号步骤说明1在eclipse里新建一个java工程，并导入pig的核心包java项目2新建一个包，继承特定的接口或类，重写自定义部分核心业务3编写完成后，使用ant打包成jar编译时需要pig依赖，但不用把pig的jar包打入UDF中4把打包完成后的jar上传到HDFS上pig运行时候需要加载使用5在pig脚本里，注册我们自定义的udf的jar包注入运行时环境6编写我们的核心业务pig脚本运行测试是否运行成功

项目工程截图如下：





核心代码如下：
　　Java代码  

• 　　package com.pigudf;  
  
• 　　  
  
• 　　import java.io.IOException;  
  
• 　　  
  
• 　　import org.apache.pig.EvalFunc;  
  
• 　　import org.apache.pig.data.Tuple;  
  
• 　　import org.apache.pig.impl.util.WrappedIOException;  
  
• 　　/**
  
• 　　 * 自定义UDF类,对字符串转换大写
  
• 　　 * @author qindongliang
  
• 　　 * */  
  
• 　　public class MyUDF extends EvalFunc {  
  
• 　　  
  
• 　　    @Override  
  
• 　　    public String exec(Tuple input) throws IOException {  
  
• 　　         
  
• 　　         //判断是否为null或空，就跳过  
  
• 　　        if(input==null||input.size()==0){  
  
• 　　            return null;  
  
• 　　        }  
  
• 　　        try{  
  
• 　　            //获取第一个元素  
  
• 　　            String str=(String) input.get(0);  
  
• 　　            //转成大写返回  
  
• 　　            return str.toUpperCase();  
  
• 　　              
  
• 　　        }catch(Exception e){  
  
• 　　            throw WrappedIOException.wrap("Caught exception processing input row ",e);  
  
• 　　        }  
  
• 　　    }  
  
• 　　      
  
• 　　  
  
• 　　}  
  

　　

关于打包的ant脚本，散仙会在文末上传附件，下面看下造的一些测试数据（注意，文件一定要上传到HDFS上，除非你是local模式）：

　　Java代码  

• 　　grunt> cat s.txt  
  
• 　　zhang san,12  
  
• 　　Song,34  
  
• 　　long,34  
  
• 　　abC,12  
  
• 　　grunt>   
  

　　


我们在看下，操作文件和jar包是放在一起的：

　　Java代码  

• 　　grunt> ls  
  
• 　　hdfs://dnode1:8020/tmp/udf/pudf.jar        1295  
  
• 　　hdfs://dnode1:8020/tmp/udf/s.txt   36  
  
• 　　grunt>   
  

　　

最后，我们看下pig脚本的定义：

　　Pig代码  

• 　　--注册自定义的jar包  
  
• 　　REGISTER pudf.jar;   
  
• 　　--加载测试文件的数据，逗号作为分隔符  
  
• 　　a = load 's.txt' using PigStorage(',');     
  
• 　　--遍历数据，对name列转成大写  
  
• 　　b =  foreach a generate com.pigudf.MyUDF((chararray)$0);   
  
• 　　--启动MapReduce的Job进行数据分析  
  
• 　　dump b  
  

　　
最后，我们看下结果，只要过程不出现异常和任务失败，就证明我们的udf使用成功：


　　Java代码  

• 　　Counters:  
  
• 　　Total records written : 4  
  
• 　　Total bytes written : 64  
  
• 　　Spillable Memory Manager spill count : 0  
  
• 　　Total bags proactively spilled: 0  
  
• 　　Total records proactively spilled: 0  
  
• 　　  
  
• 　　Job DAG:  
  
• 　　job_1419419533357_0147  
  
• 　　  
  
• 　　  
  
• 　　2014-12-30 18:10:24,394 [main] INFO  org.apache.pig.backend.hadoop.executionengine.mapReduceLayer.MapReduceLauncher - Success!  
  
• 　　2014-12-30 18:10:24,395 [main] INFO  org.apache.hadoop.conf.Configuration.deprecation - fs.default.name is deprecated. Instead, use fs.defaultFS  
  
• 　　2014-12-30 18:10:24,396 [main] INFO  org.apache.pig.data.SchemaTupleBackend - Key [pig.schematuple] was not set... will not generate code.  
  
• 　　2014-12-30 18:10:24,405 [main] INFO  org.apache.hadoop.mapreduce.lib.input.FileInputFormat - Total input paths to process : 1  
  
• 　　2014-12-30 18:10:24,405 [main] INFO  org.apache.pig.backend.hadoop.executionengine.util.MapRedUtil - Total input paths to process : 1  
  
• 　　(ZHANG SAN,12)  
  
• 　　(SONG,34)  
  
• 　　(LONG,34)  
  
• 　　(ABC,12)  
  

　　
结果没问题，我们的UDF加载执行成功，如果我们还想将我们的输出结果直接写入到HDFS上，可以在pig脚本的末尾，去掉dump命令，加入
store e into '/tmp/dongliang/result/'; 将结果存储到HDFS上，当然我们可以自定义存储函数，将结果写入数据库，Lucene，Hbase等关系型或一些NOSQL数据库里。