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内存驻留

 Map[String,Pattern]

其中 Pattern 指的是字符串键的编译正则表达式版本。但要做到这一点，我们需要将地图创建放入 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，以便 UDF 的实际调用针对闪电般快速的树，而不涉及解析。

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")

和地图：

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

现在我看到了两个不同的选项：

• 使patterns成为udf内部引用的广播变量

  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|
  // +----+-----------+-----+
  

• 在闭包内传递地图

  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|
  // +----+-----------+-----+