scala - Spark udf 初始化

Question

我想在 Spark SQL 中创建一个自定义的基于正则表达式的 UDF。我的偏好是创建一个驻留内存

 Map[String,Pattern]

其中 Pattern 是指字符串键的编译正则表达式版本。但要做到这一点，我们需要将 map 创建放入 UDF 的“初始化”函数中。

那么 Spark udf 是否有任何结构支持跨调用的持久状态(通过 Spark SQL)？

请注意，HIVE 确实支持 UDF 的生命周期。我用它来生成解析树作为初始化的一部分，这样 UDF 的实际调用是针对闪电般快速的树，不涉及解析。

Answer 1

让我们从导入和一些虚拟数据开始:

import org.apache.spark.sql.functions.udf
import scala.util.matching.Regex
import java.util.regex.Pattern

val df = sc.parallelize(Seq(
  ("foo", "this is bar"), ("foo", "this is foo"),
  ("bar", "foobar"), ("bar", "foo and foo")
)).toDF("type", "value")

和 map :

val patterns: Map[String, Pattern] = Seq(("foo", ".*foo.*"), ("bar", ".*bar.*"))
   .map{case (k, v) => (k, new Regex(v).pattern)}
   .toMap

现在我看到两个不同的选项:

使 patterns 成为 udf 中引用的广播变量

val patternsBd = sc.broadcast(patterns)

val typeMatchedViaBroadcast = udf((t: String, v: String) =>
  patternsBd.value.get(t).map(m => m.matcher(v).matches))

df.withColumn("match", typeMatchedViaBroadcast($"type", $"value")).show

// +----+-----------+-----+
// |type|      value|match|
// +----+-----------+-----+
// | foo|this is bar|false|
// | foo|this is foo| true|
// | bar|     foobar| true|
// | bar|foo and foo|false|
// +----+-----------+-----+

在闭包内传递 map

def makeTypeMatchedViaClosure(patterns: Map[String, Pattern]) = udf(
  (t: String, v: String) => patterns.get(t).map(m => m.matcher(v).matches))

val typeMatchedViaClosure = makeTypeMatchedViaClosure(patterns)

df.withColumn("match", typeMatchedViaClosure($"type", $"value")).show

// +----+-----------+-----+
// |type|      value|match|
// +----+-----------+-----+
// | foo|this is bar|false|
// | foo|this is foo| true|
// | bar|     foobar| true|
// | bar|foo and foo|false|
// +----+-----------+-----+