您的位置: 首页 > 技术杂谈 > 正文

Java UDF 的设计与使用介绍，兼容 Hive UDF 实现数据快速迁移

2023-01-16 12:00 https://my.oschina.net/u/5735652/blog/6093578 SelectDB 次阅读条评论

作者介绍： 李仕杨，SelectDB 生态研发工程师，Apache Doris Contributor。

我们在使用各个 SQL 引擎时，会遇到纷繁复杂的查询需求。一部分可以通过引擎自带的内置函数去解决，但内置函数往往具有一定通用性，在部分特殊场景下内置函数可能无法满足需求，所以一般 SQL 引擎会提供 UDF 功能，方便用户通过自己写逻辑来满足特定的需求，Apache Doris 也不例外。

在 Java UDF 之前，Apache Doris 提供了原生 UDF 。由于是使用 C++ 来编写的，执行效率高、速度更快，但是在实际使用中也会存在一些问题：

跟 Doris 代码耦合度高，需要自己打包编译 Doris 源码
只支持 C++ 语言并且 UDF 代码出错会影响 Doris 集群稳定性
对于只熟悉 Hive、Spark 等大数据组件的用户有一定使用门槛

由上可知，原生的 UDF 实现起来门槛较高且存在一定的不稳定性因素。那么是否有一种实现相对简单、使用门槛较低且与 Doris 代码耦合度低的 UDF 呢？

答案是有的。在 2022 年 12 月正式发布的 Apache Doris 1.2.0 版本（https://github.com/apache/doris/releases）中，我们推出了全新的 Java UDF 和 Remote UDF 功能，其中 Java UDF 不仅能满足以上要求，并且在方便和安全角度为用户带来了全新体验：

不熟悉 C++？Java 代码一样可以实现自己的 UDF
使用条件苛刻？只要有 Jar 包就能使用
担心稳定性？Java UDF 出错只影响自身，对 Doris 的稳定性几乎无影响
迁移旧大数据平台的数据和 UDF 费时费力？Java UDF 完全兼容 Hive UDF，轻松实现快速迁移
.......

设计思路

大体步骤

Apache Doris 的 BE 是由 C++ 代码编写，如果想在 Doris 中实现 Java UDF，不可避免需要调用 JNI，而不正确的 JNI 调用将导致严重的性能问题。那么该如何设计 Java UDF 以解决这个问题呢？

Doris Java UDF 针对向量化引擎，其设计思路大体如下：

首先，制定用户在创建 UDF 时必须遵循的一些规则。例如，UDF 类必须具有 Evaluate 方法，并且必须是 Public 和 Non-Static 的。这些规则确保我们可以正确调用 UDF。
其次，Doris 查询引擎会执行一个新的 Java 函数调用，BE 会创建或重用一个 JVM 来调用真正的 Java UDF。为了隔离不同的 UDF 实例，选择使用不同的类加载器来加载 UDF。
最后，由于执行时是向量化的，因此可以实现一次执行多行数据只调用一次 JNI，原因是 JNI 开销被输入列中所有行分摊了[1]，这将给用户带来更好的性能体验。

详细步骤

熟悉 Java 的朋友应该都知道，JVM 在直接内存即非堆区的 IO 操作比堆区更高效，因此 Doris Java UDF 一般是在直接内存中对数据进行 IO 操作。通常 UDF 有以下几种情况：

一般 UDF （定长UDF）
- 此处的基本思想是传递直接指向输入缓冲区和输出缓冲区的地址，Doris 可以直接从所给地址中读取和写回数据，这可以帮助 Doris 避免不必要的数据拷贝。 Input Buffer 和 Output Buffer 都是 JVM 的堆外内存，可以直接通过J ava 的 API 来操作这部分内存。
- 整体执行模式如下图：

UDAF（变长输出）
- 对于一般 UDF 来说，输出大小和类型是不变，因此所需 Buffer 大小也是确定的，而对于 UDAF（变长输出），一般 UDF（定长 UDF）的步骤将不再适用。
- 因此* *需要做出如下改变：**在第 1 步分配一个初始缓冲区，当结果大于分配的初始缓冲区时跳到第 3 步，在第 3 步中进行一次扩容。当这种情况持续发生时，我们再次重复上述步骤分配新缓冲区并继续为剩余的行执行 UDF，直到所有数据都执行完成。
- 执行过程如下图所示：

通过上文介绍，我们基本了解了 Doris Java UDF 的执行情况，那么在实际生产中应该如何来使用Java UDF呢？

Java UDF 的使用

Java UDF 使用起来非常简单。Java UDF 在 Doris 内注册完成后，Doris 执行时通过调用 jar 包来实现 UDF 逻辑。顺序结构如下图：

具体步骤：

参考``doris/samples/doris-demo/java-udf-demo/src/main/java/org/apache/doris/udf/AddOne.java 文件，编写 UDF 逻辑，你可以像 Hive UDF 一样在任何地方进行编写和打包，不必跟 Doris 环境相关联。

AddOne.java文件内容如下：

// Licensed to the Apache Software Foundation (ASF) under one
// or more contributor license agreements.  See the NOTICE file
// distributed with this work for additional information
// regarding copyright ownership.  The ASF licenses this file
// to you under the Apache License, Version 2.0 (the
// "License"); you may not use this file except in compliance
// with the License.  You may obtain a copy of the License at
//
//   http://www.apache.org/licenses/LICENSE-2.0
//
// Unless required by applicable law or agreed to in writing,
// software distributed under the License is distributed on an
// "AS IS" BASIS, WITHOUT WARRANTIES OR CONDITIONS OF ANY
// KIND, either express or implied.  See the License for the
// specific language governing permissions and limitations
// under the License.

package org.apache.doris.udf;

import org.apache.hadoop.hive.ql.exec.UDF;

public class AddOne extends UDF {
    public Integer evaluate(Integer value) {
        return value == null? null: value + 1;
    }
}

执行 mvn 打包命令
```
   mvn clean package
```
创建 UDF

      CREATE FUNCTION java_udf_name(int) RETURNS int PROPERTIES (
          "file"="file:///path/to/your_jar_name.jar",
          "symbol"="org.apache.doris.udf.AddOne",
          "always_nullable"="true",
          "type"="JAVA_UDF"
      );

使用已创建的 UDF

           建表：
           CREATE TABLE IF NOT EXISTS test.t1 (`col_1` int NOT NULL)
           DISTRIBUTED BY HASH(col_1) PROPERTIES("replication_num" = "1");
           
           
           插入数据：
           insert into test.t1 values(1),(2);
           
           
           使用udf：
           MySQL [(none)]> select col_1, java_udf_name(col_1) as col_2 from test.t1;
           +------------+------------+
           | col_1      | col_2      |
           +------------+------------+
           | 1          | 2          |
           | 2          | 3          |
           +------------+------------+

至此，Doris Java UDF 的创建和使用就完成了，十分简单易用。

注意事项

最开始需要确定 BE 节点是否配置了JAVA_HOME，如果环境变量没有配置，则可以在be/bin/start_be.sh文件第一行加上

export JAVA_HOME=/xxx/xxx

UDF 代码中必须要带有以下信息（UDAF 则替换成对应的）

import org.apache.hadoop.hive.ql.exec.UDF;

创建 Doris java UDF 的语句，其格式如下

CREATE FUNCTION name ([,...])
[RETURNS] rettype
PROPERTIES (["key"="value"][,...])

例子中完整的 SQL 如下

 CREATE FUNCTION java_udf_name(int) RETURNS int PROPERTIES (
"file"="file:///path/to/your_jar_name.jar",
"always_nullable"="true",
"type"="JAVA_UDF"
        );

java_udf_name 是创建 UDF 的名称，可以进行更改，UDF 名称不能与 Doris 其他函数重命。

名称后的``(int)``表示函数输入参数是 int 类型，RETURNS``后的``int``表示函数输出也是 int 类型；输入输出类型跟 Java 代码中 Evaluate 函数的输入输出类型要保持一致。

PROPERTIES

file表示 jar 包在本机的路径，应该修改"/path/to/your_jar_name.jar"``作为 jar 包的绝对路径。如果是多机环境，也可以使用 http 形式表示的路径，例如"file"="http://${host}:${http_port}/${your_jar_file}"

可以使用python命令来简单启动一个http server：
nohup python -m SimpleHTTPServer 12345 > /dev/null 2>&1
(启动python的目录需要跟你的jar包保持一致，比如你的jar放在A机器的/usr/lib下，那么python命令最好也在该机器的该目录下启动)

Symbol 可以参考 Java 代码中的 Package always_nullable表示 UDF 返回结果中是否可能出现 NULL 值，如果想要在计算中对出现的NULL值有特殊处理，以确定结果中不会返回 NULL，可以设为 false，有利于提升整个查询计算过程的性能。

收益总结

通过本文的介绍，了解了Doris Java UDF 的设计与使用方法，那么在实际的应用中，Doris Java UDF 能为使用者带来什么收益呢？

熟悉 Java 的同学也可以快速上手开发 Doris，使用简单便捷，较大提升开发效率。
兼容 Hive UDF，有效降低从 Hadoop 迁移数据的成本。
UDF 代码出错并不会影响 Doris，某种程度上保证了 Doris 的更好稳定运行。
与 Doris 代码解耦，真正做到了"Write Once Run Anywhere"
执行效率方面，Java UDF 是完全向量化执行的，一次执行多行数据只调用一次 JNI，结合堆外内存、Zero Copy 等优化技术，用户在使用 Java UDF 时，也能得到与之前的 C++ UDF 一致甚至更佳的查询性能体验。