Hive 的扩展特性
<div class="entry ">Hive 是一个很开放的系统，很多内容都支持用户定制，包括：[*]文件格式：Text File，Sequence File
[*]内存中的数据格式： Java Integer/String, Hadoop IntWritable/Text
[*]用户提供的 map/reduce 脚本：不管什么语言，利用 stdin/stdout 传输数据
[*]用户自定义函数: Substr, Trim, 1 – 1
[*]用户自定义聚合函数: Sum, Average…… n – 1
File Format
TextFileSequenceFIleRCFFileData typeText OnlyText/BinaryText/BinaryInternal Storage OrderRow-basedRow-basedColumn-basedCompressionFile BasedBlock BasedBlock BasedSplitableYESYESYESSplitable After CompressionNoYESYESCREATE TABLE mylog ( user_id BIGINT, page_url STRING, unix_time INT)STORED AS TEXTFILE;当用户的数据文件格式不能被当前 Hive 所识别的时候，可以自定义文件格式。可以参考 contrib/src/java/org/apache/hadoop/hive/contrib/fileformat/base64 中的例子。写完自定义的格式后，在创建表的时候指定相应的文件格式就可以：
CREATE TABLE base64_test(col1 STRING, col2 STRING) STORED AS INPUTFORMAT 'org.apache.hadoop.hive.contrib. fileformat.base64.Base64TextInputFormat' OUTPUTFORMAT 'org.apache.hadoop.hive.contrib. fileformat.base64.Base64TextOutputFormat';SerDe
SerDe 是 Serialize/Deserilize 的简称，目的是用于序列化和反序列化。序列化的格式包括：
[*]分隔符（tab、逗号、CTRL-A）
[*]Thrift 协议
反序列化（内存内）：
[*]Java Integer/String/ArrayList/HashMap
[*]Hadoop Writable 类
[*]用户自定义类
目前存在的 Serde 见下图：
http://rdc.taobao.com/blog/dw/wp-content/uploads/2010/04/serde1.jpg
其中，LazyObject 只有在访问到列的时候才进行反序列化。 BinarySortable：保留了排序的二进制格式。
当存在以下情况时，可以考虑增加新的 SerDe：
[*]用户的数据有特殊的序列化格式，当前的 Hive 不支持，而用户又不想在将数据加载至 Hive 前转换数据格式。
[*]用户有更有效的序列化磁盘数据的方法。
用户如果想为 Text 数据增加自定义 Serde ，可以参照 contrib/src/java/org/apache/hadoop/hive/contrib/serde2/RegexSerDe.java 中的例子。RegexSerDe 利用用户提供的正则表倒是来反序列化数据，例如：
CREATE TABLE apache_log( host STRING, identity STRING, user STRING, time STRING, request STRING, status STRING, size STRING, referer STRING, agent STRING)ROW FORMAT SERDE 'org.apache.hadoop.hive.contrib.serde2.RegexSerDe' WITH SERDEPROPERTIES ( "input.regex" = "([^ ]*) ([^ ]*) ([^ ]*) (-|\\[[^\\]]*\\]) ([^ \"]*|\"[^\"]*\") (-|*) (-|*)(?: ([^ \"]*|\"[^\"]*\") ([^ \"]*|\"[^\"]*\"))?", "output.format.string" = "%1$s %2$s %3$s %4$s %5$s %6$s %7$s %8$s %9$s";) STORED AS TEXTFILE;用户如果想为 Binary 数据增加自定义的 SerDE，可以参考例子：serde/src/java/org/apache/hadoop/hive/serde2/binarysortable，例如：
CREATE TABLE mythrift_tableROW FORMAT SERDE 'org.apache.hadoop.hive.contrib.serde2.thrift.ThriftSerDe'WITH SERDEPROPERTIES ( "serialization.class" = "com.facebook.serde.tprofiles.full", "serialization.format" = "com.facebook.thrift.protocol.TBinaryProtocol";);Map/Reduce 脚本（Transform）
用户可以自定义 Hive 使用的 Map/Reduce 脚本，比如：
FROM (SELECT TRANSFORM(user_id, page_url, unix_time)USING 'page_url_to_id.py'AS (user_id, page_id, unix_time)FROM mylogDISTRIBUTE BY user_idSORT BY user_id, unix_time)mylog2SELECT TRANSFORM(user_id, page_id, unix_time)USING 'my_python_session_cutter.py' AS (user_id, session_info);Map/Reduce 脚本通过 stdin/stdout 进行数据的读写，调试信息输出到 stderr。
UDF（User-Defined-Function）
用户可以自定义函数对数据进行处理，例如：
add jar build/ql/test/test-udfs.jar;CREATE TEMPORARY FUNCTION testlengthAS 'org.apache.hadoop.hive.ql.udf.UDFTestLength'; SELECT testlength(src.value) FROM src; DROP TEMPORARY FUNCTION testlength;UDFTestLength.java 为：
package org.apache.hadoop.hive.ql.udf; public class UDFTestLength extends UDF {public Integer evaluate(String s) {if (s == null) {return null;}return s.length();}}自定义函数可以重载：
add jar build/contrib/hive_contrib.jar;CREATE TEMPORARY FUNCTION example_addAS 'org.apache.hadoop.hive.contrib.udf.example.UDFExampleAdd'; SELECT example_add(1, 2) FROM src;SELECT example_add(1.1, 2.2) FROM src;UDFExampleAdd.java:
public class UDFExampleAdd extends UDF {public Integer evaluate(Integer a, Integer b) {if (a = null || b = null)return null;return a + b;} public Double evaluate(Double a, Double b) {if (a = null || b = null)return null;return a + b;}}%%
在使用 UDF 的时候，会自动进行类型转换，这个 java 或者 C 中的类型转换有些类似，比如:
SELECT example_add(1, 2.1) FROM src;的结果是 3.1，这是因为 UDF 将类型为 Int 的参数 “1″ 转换为 double。
类型的隐式转换是通过 UDFResolver 来进行控制的，并且可以根据不同的 UDF 进行不同的控制。
UDF 还可以支持变长的参数，例如 UDFExampleAdd.java：
public class UDFExampleAdd extends UDF {public Integer evaluate(Integer... a) {int total = 0;for (int i=0; i<a.length; i++)if (a != null) total += a; return total;} // the same for Double public Double evaluate(Double... a) }使用例子为：
SELECT example_add(1, 2) FROM src;SELECT example_add(1, 2, 3) FROM src;SELECT example_add(1, 2, 3, 4.1) FROM src;综上，UDF 具有以下特性：
[*]用 java 写 UDF 很容易。
[*]Hadoop 的 Writables/Text 具有较高性能。
[*]UDF 可以被重载。
[*]Hive 支持隐式类型转换。
[*]UDF 支持变长的参数。
[*]genericUDF 提供了较好的性能（避免了反射）。
UDAF（User-Defined Aggregation Funcation）
例子：
SELECT page_url, count(1), count(DISTINCT user_id) FROM mylog;UDAFCount.java:
public class UDAFCount extends UDAF {public static class Evaluator implements UDAFEvaluator {private int mCount; public void init() {mcount = 0;} public boolean iterate(Object o) {if (o!=null)mCount++; return true;} public Integer terminatePartial() {return mCount;} public boolean merge(Integer o) {mCount += o;return true;} public Integer terminate() {return mCount;}}UDAF 总结：
[*]编写 UDAF 和 UDF 类似
[*]UDAF 可以重载
[*]UDAF 可以返回复杂类
[*]在使用 UDAF 的时候可以禁止部分聚合功能
UDF，UDAF 和 MR 脚本的对比：
http://rdc.taobao.com/blog/dw/wp-content/uploads/2010/04/udf-udaf-mr.jpg
页:
[1]