如何从 Scala 方法创建 UDF（计算 md5）？

Question

我想从两个已经工作的函数构建一个 UDF。我正在尝试将 md5 哈希计算为现有 Spark Dataframe 的新列。

def md5(s: String): String = { toHex(MessageDigest.getInstance("MD5").digest(s.getBytes("UTF-8")))}
def toHex(bytes: Array[Byte]): String = bytes.map("%02x".format(_)).mkString("")

结构（我目前所拥有的）

val md5_hash: // UDF Implementation
val sqlfunc = udf(md5_hash)
val new_df = load_df.withColumn("New_MD5_Column", sqlfunc(col("Duration")))

不幸的是，我不知道如何将函数适当地实现为 UDF。

Answer 1

您可以使用以下 udf 函数命名为 md5

import org.apache.spark.sql.functions._
def toHex(bytes: Array[Byte]): String = bytes.map("%02x".format(_)).mkString("")
def md5 = udf((s: String) => toHex(MessageDigest.getInstance("MD5").digest(s.getBytes("UTF-8"))))

val new_df = load_df.withColumn("New_MD5_Column", md5(col("Duration")))

Answer 2

为什么不使用内置的 md5 功能？

md5(e: Column): Column Calculates the MD5 digest of a binary column and returns the value as a 32 character hex string.

然后您可以按如下方式使用它：

val new_df = load_df.withColumn("New_MD5_Column", md5($"Duration"))

您必须确保该列是二进制类型，所以如果它是 int，您可能会看到以下错误：

org.apache.spark.sql.AnalysisException: cannot resolve 'md5(Duration)' due to data type mismatch: argument 1 requires binary type, however, 'Duration' is of int type.;;

然后您应该使用 bin 函数将类型更改为 md5 兼容，即二进制类型。

bin(e: Column): Column An expression that returns the string representation of the binary value of the given long column. For example, bin("12") returns "1100".

解决方法如下：

val solution = load_df.
  withColumn("bin_duration", bin($"duration")).
  withColumn("md5", md5($"bin_duration"))
scala> solution.show(false)
+--------+------------+--------------------------------+
|Duration|bin_duration|md5                             |
+--------+------------+--------------------------------+
|1       |1           |c4ca4238a0b923820dcc509a6f75849b|
+--------+------------+--------------------------------+

您也可以将函数“链接”在一起，并在一个 withColumn 中进行转换和计算 MD5，但我更喜欢将步骤分开，以防出现需要解决的问题，中间步骤通常会有所帮助。

性能

您考虑使用内置函数 bin 和 md5 而不是自定义用户定义函数 (UDF) 的原因是您可以获得更好的性能，因为 Spark SQL 处于完全控制状态并且不会不会为内部行表示的序列化和反序列化添加额外的步骤。

这里不是这种情况，但仍然需要较少的导入和使用。

如何从 Scala 方法创建 UDF（计算 md5）？

How to create UDF from Scala methods (to compute md5)?

scala

apache-spark

apache-spark-sql

udf

性能