Apache DataFu: LinkedIn开源的Pig UDF库

介绍

Apache DataFu分两部分,本文介绍的是其Pig UDF的部分。代码在Github上开源(除了代码外,也有一些slides介绍链接)。

DataFu里面是一些Pig的UDF,主要包括这些方面的函数:

bags、geo、hash、linkanalysis、random、sampling、sessions、sets、stats、urls

每方面都对应一个package。


我把所有的函数源码都浏览了一遍。其实本身对这些UDF的使用,官方的文档上都有介绍,而且源码的注释里也些的很清晰。所以使用本身是很简单的。

从实现角度看,继承自Pig EvalFunc体系。我们知道Pig里的builtin functions里,有代数函数(AVG、COUNT、Distinct、TOP),代数数学函数(MAX、SUM),基本数学函数(SIN、COS、TAN、FLOOR、LOG)等等。

DataFu实现了一个SimpleEvalFunc抽象类,继承自EvalFunc,包装了EvalFunc,为简单的UDF简化了实现过程(省略了一些异常检查情况,只需注重处理逻辑)。

通过反射的方式,在exec()方法里做好参数null检查,个数检查,最后把参数传给子类实现的call()方法,返回结果。

SimpleEvalFunc的子类继承体系如下:
Apache DataFu: LinkedIn开源的Pig UDF库


下面那各个Package包含的函数功能简单概况一下。

bags

对Bag的基本操作,涉及append、concat、group、left-join、split、count等等


geo

经纬度距离计算


hash

对输入的String进行MD5和SHA的转换


linkanalysis

一个PageRank的实现


random

只有一个RandInt,输入两个值,输出两值之间的一个random值


sampling

SimpleRandomSample和ReservoirSample,后者的Reservoir是一个PriorityQueue,存的是ScoredTuple。前后者区别在于*和有界的sample结果。


sessions

按一段time window来group


sets

Set之间的差、交、并。

处理的bag内的tuples必须是有序的。


stats

统计相关方法:

      计算Quantile的两种方式,一种是流式的。Quantile包含了Median。

      方差。


urls

用于区分user agent来源(电脑还是手机,什么系统的手机)




全文完 :)

上一篇:C++中的树、二叉树、二叉树遍历、二叉树前序、中序、后序遍历相互求法


下一篇:操作系统页面置换算法(opt,lru,fifo,clock)实现