遇到一个Hive需求：有A、B、C三列，按A列进行聚合，求出C列聚合后的最小值和最大值各自对应的B列值。这个需求用hql和内建函数也可完成，可是比较繁琐，会解析成几个MR进行执行，若是自定义UDAF即可只利用一个MR完成任务。
所用Hive为0.13.1版本。UDAF有两种，第一种是比较简单的形式，利用抽象类UDAF和UDAFEvaluator，暂不作讨论。主要说一下第二种形式，利用接口GenericUDAFResolver2（或者抽象类AbstractGenericUDAFResolver）和抽象类GenericUDAFEvaluator。
这里用AbstractGenericUDAFResolver作说明。
public abstract class AbstractGenericUDAFResolver implements GenericUDAFResolver2 {
@SuppressWarnings("deprecation")
@Override
public GenericUDAFEvaluator getEvaluator(GenericUDAFParameterInfo info)
throws SemanticException {
if (info.isAllColumns()) {
throw new SemanticException(
"The specified syntax for UDAF invocation is invalid.");
}
return getEvaluator(info.getParameters());
}
@Override
public GenericUDAFEvaluator getEvaluator(TypeInfo[] info)
throws SemanticException {
throw new SemanticException(
"This UDAF does not support the deprecated getEvaluator() method.");
}
}
能够看到，该抽象类有两个方法，其中一个已经被弃用，因此只须要实现参数类型为TypeInfo的getEvaluator方法便可。
该方法其实至关于一个工厂，TypeInfo表示在使用时传入该UDAF的参数的类型。该方法主要作的工做有：
[list]
[*]检查参数长度和类型
[*]根据参数返回对应的实际处理对象
[/list]
返回的对象类型为GenericUDAFEvaluator，这是一个抽象类：
public abstract class GenericUDAFEvaluator implements Closeable {
......
public ObjectInspector init(Mode m, ObjectInspector[] parameters) throws HiveException {
// This function should be overriden in every sub class
// And the sub class should call super.init(m, parameters) to get mode set.
mode = m;
return null;
}
public abstract AggregationBuffer getNewAggregationBuffer() throws HiveException;
public abstract void reset(AggregationBuffer agg) throws HiveException;
public abstract void iterate(AggregationBuffer agg, Object[] parameters) throws HiveException;
public abstract Object terminatePartial(AggregationBuffer agg) throws HiveException;
public abstract void merge(AggregationBuffer agg, Object partial) throws HiveException;
public abstract Object terminate(AggregationBuffer agg) throws HiveException;
......
}
说明上述方法的以前，须要提一个GenericUDAFEvaluator的内部枚举类Mode
public static enum Mode {
/**
* 至关于map阶段，调用iterate()和terminatePartial()
*/
PARTIAL1,
/**
* 至关于combiner阶段，调用merge()和terminatePartial()
*/
PARTIAL2,
/**
* 至关于reduce阶段调用merge()和terminate()
*/
FINAL,
/**
* COMPLETE: 至关于没有reduce阶段map，调用iterate()和terminate()
*/
COMPLETE
};
能够看到，UDAF将任务分红了几种类型，PARTIAL1至关于MR程序的map阶段，负责迭代处理记录并返回该阶段的中间结果。PARTIAL2至关于Combiner，对map阶段的结果进行一次聚合。FINAL是reduce阶段，进行总体聚合以及返回最终结果。COMPLETE有点特殊，是一个没有reduce阶段的map过程，因此在进行记录迭代以后，直接返回最终结果。
再来看GenericUDAFEvaluator中的各方法
public ObjectInspector init(Mode m, ObjectInspector[] parameters) throws HiveException {...}
初始化方法，在Mode的每个阶段启动时会执行init方法。该方法有两个参数，第一个参数是Mode，能够根据此参数判断当前执行的是哪一个阶段，进行该阶段相应的初始化工做。ObjectInspector是一个抽象的类型描述，例如：当参数类型是原生类型时，能够转化为PrimitiveObjectInspector，除此以外还有StructObjectInspector等等。ObjectInspector只是描述类型，并不存储实际数据。后面的具体例子中会有一些使用说明。
ObjectInspector[]的长度不是固定的，要看当前是处于哪一个阶段。若是是PARTIAL1，那么与使用时传入该UDAF的参数个数一致；若是是FINAL阶段，长度就是1了，由于map阶段返回的结果只有一个对象。
public abstract AggregationBuffer getNewAggregationBuffer() throws HiveException;
public abstract void reset(AggregationBuffer agg) throws HiveException;
AggregationBuffer是一个标识接口，没有任何须要实现的方法。实现该接口的类被用于暂存中间结果。reset是为了重置AggregationBuffer，可是在实际应用场景中没有发现单独调用该方法进行重置，有多是聚合key的数据量还不够大，在后面会再说一下这个问题。
public abstract void iterate(AggregationBuffer agg, Object[] parameters) throws HiveException; public abstract Object terminatePartial(AggregationBuffer agg) throws HiveException; public abstract void merge(AggregationBuffer agg, Object partial) throws HiveException; public abstract Object terminate(AggregationBuffer agg) throws HiveException; ......}
iterate方法存在于MR的M阶段，用于处理每一条输入记录。Object[]做为输入传入UFAF，AggregationBuffer做为中间缓存暂存结果。须要注意的是，每次调用iterate传入的AggregationBuffer并不必定是同一个对象。Hive调用UDAF的时候会用一个Map来管理AggregationBuffer，Map的key即为须要聚合的key。就经过实际运行过程来看，在每一次iterate调用以前，会根据聚合key从Map中查找对应的AggregationBuffer，若能找到则直接返回AggregationBuffer对象，找不到则调用getNewAggregationBuffer方法新建并插入Map中并返回结果。 terminatePartial方法在iterate处理完全部输入后调用，用于返回初步的聚合结果。 merge方法存在于MR的R阶段（也一样存在于Combine阶段），用于最后的聚合。Object类型的partial参数与terminatePartial返回值一致，AggregationBuffer参数与上述一致。 terminate方法在merge方法执行完毕以后调用，用于进行最后的处理，并返回最后结果。 像上面提到的Mode同样，这些方法并不必定都会被调用，与Hive解析成的MR程序类型有关。例如解析后的MR程序只有M阶段，则只会调用iterate和terminate。实际使用过程当中，因为聚合key数据量有限，内存能够承载，因此没有发现reset单独调用的状况。每次遇到一个不一样的key，则新建一个AggregationBuffer，没有看源码，不知道当聚合key很大的时候，是否会调用reset进行对象重用。