前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >零基础学Flink:UDF

零基础学Flink:UDF

作者头像
麒思妙想
发布2020-07-10 13:35:42
9400
发布2020-07-10 13:35:42
举报
文章被收录于专栏:麒思妙想麒思妙想

在上一篇 文章 中我们介绍了一些 Flink SQL 的基础内容,以及与 Spark SQL 对比,有兴趣的小伙伴可以点连接进去看看。这篇文章,我们来说说UDF(User-Defined Functions)——用户自定义函数。

其实,关于UDF这部分官方文档就写的挺好的,简单明了,而且配有DEMO,有兴趣的同学,可以到 参考文档 里去找到连接。

首先,如果想使用自定义函数,那么必须在之前来注册这个函数,使用TableEnvironment的registerFunction()方法来注册。注册之后自定义函数会被插入到TableEnvironment的函数目录中,以便API或SQL正确解析并执行它。在 Flink 中,UDF分为三类:标量函数(ScalarFunction)、表函数(TableFunction) 、聚合函数(AggregateFunction)。

标量函数(ScalarFunction)

简单的说,标量函数,就是你输入几个数(0个或几个都行),经过一系列的处理,再返回给你几个数,这个案例咱们还使用上一篇文章中使用的意甲射手榜的案例,一般来说,总进球数=主场进球数+客场进球数,但是今年的规则有变,客场进球按两个球计算(本文案例和前文有区别,使用scala,大家注意一下)

代码语言:javascript
复制
import org.apache.flink.table.functions.ScalarFunction

class TotalScores extends ScalarFunction{
  private var wight:Int = 1 ;
  def this(wight:Int){
    this()
    this.wight = wight
  }

  def eval(home:Int,visit:Int): Int = home+visit*this.wight
}

首先,需要继承ScalarFunction该类,这里我们添加了一个构造器,传入的参数作为客场进球权重,然后实现eval方法,输入参数为主客场进球数,输出则为总进球数。

接下来,我们来写测试类:

代码语言:javascript
复制
import org.apache.flink.api.scala.ExecutionEnvironment
import org.apache.flink.api.scala.typeutils.Types
import org.apache.flink.table.api.TableEnvironment
import org.apache.flink.table.sources.CsvTableSource
import org.apache.flink.types.Row
import org.apache.flink.api.scala._

object TestScalarFunction {
  def main(args: Array[String]): Unit = {
    val filePath = "E:\\devlop\\workspace\\streaming1\\src\\main\\resources\\testdata.csv"
    val env = ExecutionEnvironment.getExecutionEnvironment
    val tableEnv = TableEnvironment.getTableEnvironment(env)
    val csvtable = CsvTableSource
      .builder
      .path(filePath)
      .ignoreFirstLine
      .fieldDelimiter(",")
      .field("rank", Types.INT)
      .field("player", Types.STRING)
      .field("club", Types.STRING)
      .field("matches", Types.INT)
      .field("red_card", Types.INT)
      .field("total_score", Types.INT)
      .field("total_score_home", Types.INT)
      .field("total_score_visit", Types.INT)
      .field("pass", Types.INT)
      .field("shot", Types.INT)
      .build
    tableEnv.registerTableSource("goals", csvtable)
    tableEnv.registerFunction("ts",new TotalScores(2))

    val tableTest = tableEnv.sqlQuery("select player,total_score_home,total_score_visit,ts(total_score_home,total_score_visit) from goals where total_score > 10")//.scan("test").where("id='5'").select("id,sources,targets")
    tableEnv.toDataSet[Row](tableTest).print()

  }
}

首先别忘记引用

代码语言:javascript
复制
import org.apache.flink.api.scala._

否则会有奇怪事情发生。

然后,注册函数,默认构造客场进球权重为2

代码语言:javascript
复制
tableEnv.registerFunction("ts",new TotalScores(2))
代码语言:javascript
复制
"select player,total_score_home,total_score_visit,ts(total_score_home,total_score_visit) from goals where total_score > 10"

在SQL中使用函数 ts(total_score_home,total_score_visit) 就这么简单

我们来看下输出:

C-罗纳尔多,5,7,19

夸利亚雷拉,5,5,15

萨帕塔,1,4,9

米利克,0,1,2

皮亚特克,2,0,2

因莫比莱,3,3,9

卡普托,2,4,10

表函数(TableFunction)

简单的说,表函数,就是你输入几个数(0个或几个都行),经过一系列的处理,再返回给你行数,返回的行可以包含一列或是多列值。这里我们使用一套新的数据案例来做一个说明。

假设这是某年四个直辖市四个季度GDP的一张透视表(说到透视表,想了解的同学可以异步到我之前的 文章 去看看)

代码语言:javascript
复制
provice,s1,s2,s3,s4
天津,10,11,13,14
北京,13,16,17,18
重庆,14,12,13,14
上海,15,11,15,17

我们来将这张透视表,还原成一张列表,接下来,我们来看代码

代码语言:javascript
复制
import org.apache.flink.table.functions.TableFunction

class UnPivotFunction(separator: String) extends TableFunction[(String)]  {

@scala.annotation.varargs
  def eval(strs:String*): Unit = {
    strs.foreach(x=>collect(x))
  }
}

函数要继承TableFunction,后面泛型需要输入返回列的类型,这里为了方便,我们就使用了字符串。我们计划在查询里面把四个季度的值都输入进来,转换成列表。collect是TableFunction提供的函数,用于添加列,eval方法的参数,可以根据你的需要自行扩展,注意在使用不确定参数值的时候,加上注解@scala.annotation.varargs

接下来,我们来测试一下

代码语言:javascript
复制
import org.apache.flink.api.common.typeinfo.Types
import org.apache.flink.api.scala.{ExecutionEnvironment, _}
import org.apache.flink.table.api.TableEnvironment
import org.apache.flink.table.sources.CsvTableSource
import org.apache.flink.types.Row
import wang.datahub.udf.UnPivotFunction

object TestMyTableFunction2 {
  def main(args: Array[String]): Unit = {
    val filepath = "E:\\devlop\\workspace\\testsbtflink\\src\\main\\resources\\GDP.csv"
    val env = ExecutionEnvironment.getExecutionEnvironment
    val tableEnv = TableEnvironment.getTableEnvironment(env)
    tableEnv.registerFunction("mtf2", new UnPivotFunction("@"))
    val cts = CsvTableSource.builder().ignoreFirstLine()
      //provice,s1,s2,s3,s4
      .field("provice",Types.STRING)
      .field("s1",Types.STRING)
      .field("s2",Types.STRING)
      .field("s3",Types.STRING)
      .field("s4",Types.STRING)
      .path(filepath)
      .build()

    tableEnv.registerTableSource("m",cts)
    val tableTest = tableEnv.sqlQuery("select provice,word from m , LATERAL TABLE(mtf2(s1,s2,s3,s4)) as T(word)")
    val stream = tableEnv.toDataSet[Row](tableTest)
    stream.print()

  }
}

在SQL我使用了 JOIN LATERAL ,有兴趣了解的同学,可以看下云栖的文章,我放在参考文档里了。

我们来看下输出结果:

天津,10

天津,11

天津,13

天津,14

北京,13

北京,16

北京,17

北京,18

上海,15

上海,11

上海,15

上海,17

重庆,14

重庆,12

重庆,13

重庆,14

这个案例也许并不是那么恰当,其实,也可以利用到邮件切分等场景,这里算是抛砖引玉把。

聚合函数(AggregateFunction)

关于聚合函数,官方文档上的这张图,就充分的解释了其工作原理,主要计算通过

  • createAccumulator()
  • accumulate()
  • getValue()

这几个方法来完成,首先我们createAccumulator创建累加器,然后调用accumulate累加计算,最后getValue获取值。

当然这只是完成了初步工作,

  • retract()
  • merge()
  • resetAccumulator()

我们还需要回滚,合并,重置累加器等操作以适应不同的计算场景。

好了,我们的案例,再次来到了大家喜闻乐见的意甲联赛,这次我们统计俱乐部的进球数,还是使用了一个更靠谱的规则,就是给客场进球加了一个权重,然后来计算加权场均进球数

先来创建累加器

代码语言:javascript
复制
class WeightedAvgAccum  {
  var sum = 0
  var count = 0
}

然后创建计算函数

代码语言:javascript
复制
import java.lang.{Integer => JInteger,String => JString}
import org.apache.flink.table.functions._
class WeightedAvg(iWeight:Int) extends AggregateFunction[JInteger, WeightedAvgAccum] {

  override def createAccumulator(): WeightedAvgAccum = {
    new WeightedAvgAccum
  }
  override def getValue(acc: WeightedAvgAccum): JInteger = {
    if (acc.count == 0) {
      null
    } else {
      acc.sum / acc.count
    }
  }
  def accumulate(acc: WeightedAvgAccum,club:JString, home: JInteger, visit: JInteger): Unit = {
  
    acc.sum += home + visit * iWeight
    acc.count += 1
  }
  def resetAccumulator(acc: WeightedAvgAccum): Unit = {
    acc.count = 0
    acc.sum = 0
  }
}

接下来,我们来测试一下:

代码语言:javascript
复制
import org.apache.flink.api.scala.typeutils.Types
import org.apache.flink.api.scala.{DataSet, ExecutionEnvironment}
import org.apache.flink.table.api.TableEnvironment
import org.apache.flink.table.sources.CsvTableSource
import org.apache.flink.types.Row
import org.apache.flink.api.scala._
object Testf {
  def main(args: Array[String]): Unit = {
    val filePath = "E:\\devlop\\workspace\\streaming1\\src\\main\\resources\\testdata.csv"
    val env = ExecutionEnvironment.getExecutionEnvironment
    val tableEnv = TableEnvironment.getTableEnvironment(env)
    val csvtable = CsvTableSource
      .builder
      .path(filePath)
      .ignoreFirstLine
      .fieldDelimiter(",")
      .field("rank", Types.INT)
      .field("player", Types.STRING)
      .field("club", Types.STRING)
      .field("matches", Types.INT)
      .field("red_card", Types.INT)
      .field("total_score", Types.INT)
      .field("total_score_home", Types.INT)
      .field("total_score_visit", Types.INT)
      .field("pass", Types.INT)
      .field("shot", Types.INT)
      .build
    tableEnv.registerTableSource("test", csvtable)
    tableEnv.registerFunction("myf",new MyFunction("111"))
    tableEnv.registerFunction("wag",new WeightedAvg(2))


    val tableTest3 = tableEnv.sqlQuery("select club,wag(club,total_score_home,total_score_visit) as ag from test group by club")
    tableEnv.toDataSet[Row](tableTest3).print()
  }

}

查看下结果:

切沃,2

拉齐奥,3

斯帕尔,1

博洛尼亚,1

国际米兰,3

帕尔马,2

恩波利,2

桑普多利亚,4

那不勒斯,4

都灵,2

AC米兰,3

亚特兰大,5

佛罗伦萨,2

卡利亚里,2

罗马,3

乌迪内斯,2

弗罗西诺内,2

尤文图斯,4

热那亚,3

萨索洛,2

最后(敲黑板),大家在聚合表的案例里,应该发现我使用了Java的基础类型,而不是Scala的数据类型,这是因为在UDF执行过程中,数据的创建,转换以及装箱拆箱都会带来额外的消耗,所以 Flink 官方,其实推荐UDF进来使用Java编写。

UDF其实是一个很神奇的东西,值得我们去探索与研究,下一期写点什么呢?如果您有建议或意见,欢迎与我联系,探讨。

参考文档:

https://ci.apache.org/projects/flink/flink-docs-stable/dev/table/udfs.html

https://yq.aliyun.com/articles/674345

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2019-03-18,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 麒思妙想 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
大数据
全栈大数据产品,面向海量数据场景,帮助您 “智理无数,心中有数”!
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档