MaxCompute Python 2 UDF包括UDF、UDAF和UDTF三种函数。本文为您介绍如何通过MaxCompute Python 2实现这三种函数。
使用限制
MaxCompute Python 2 UDF的Python版本为2.7,并以沙箱模式执行用户代码,即代码是在一个受限的运行环境中执行的。在该环境中,以下行为会被禁止:
- 读写本地文件。
- 启动子进程。
- 启动线程。
- 使用Socket通信。
- 其他系统调用。
基于上述原因,您上传的代码都必须通过标准Python实现,禁止C扩展模块。
此外,Python的标准库中涉及到上述功能的模块都会被禁止。具体标准库的可用模块说明如下:
- 所有标准Python实现(不依赖扩展模块)的模块都可用。
- C实现的扩展模块中下列模块可用:
- array、audioop
- binascii、bisect
- cmath、_codecs_cn、_codecs_hk、_codecs_iso2022、_codecs_jp、_codecs_kr、_codecs_tw、_collections、cStringIO
- datetime
- _functools、future_builtins、
- _heapq、_hashlib
- itertools
- _json
- _locale、_lsprof
- math、_md5、_multibytecodec
- operator
- _random
- _sha256、_sha512、_sha、_struct、strop
- time
- unicodedata
- _weakref
- cPickle
- 部分模块功能受限。例如,沙箱限制了您的代码最多可往标准输出和标准错误输出写入数据的大小为20 KB,即
sys.stdout/sys.stderr
最多能写20 KB,多余的字符会被忽略。
第三方库
Python 2运行环境中还安装了除标准库外比较常用的第三方库,作为标准库的补充,例如Numpy。
说明 使用第三方库存在限制,例如禁止本地访问、网络I/O受限,因此第三方库中涉及到相关功能的API也是禁止的。
参数与返回值
参数与返回值的指定方式如下。
@odps.udf.annotate(signature)
Python UDF支持的MaxCompute SQL数据类型包括BIGINT、STRING、DOUBLE、BOOLEAN、DATETIME、DECIMAL、复杂数据类型(ARRAY、MAP和STRUCT)和复杂数据类型嵌套。在执行SQL语句前,必须确定所有函数的参数类型和返回值类型,因此对于Python这一动态类型语言,需要通过对UDF类加Decorator的方式指定函数签名。
函数签名Signature通过字符串指定,命令格式如下。
arg_type_list '->' type_list
arg_type_list: type_list | '*' | '' | 'char(n)' | 'varchar(n)'
type_list: [type_list ','] type
type: 'bigint' | 'string' | 'double' | 'boolean' | 'datetime' | 'float' | 'binary' | 'date' | 'decimal' | 'decimal(precision,scale)'
- 箭头左边表示参数类型,右边表示返回值类型。
- 只有UDTF的返回值可以是多列,UDF和UDAF只能返回一列。
- 星号(
*
)代表变长参数。使用变长参数时,UDF、UDTF和UDAF可以匹配任意输入参数。 - 如果项目空间使用2.0数据类型版本,decimal可以设置precision和scale,复杂类型写法请参见2.0数据类型版本。
- 返回值暂不支持CHAR和VARCHAR类型。
合法的函数签名Signature示例如下。
'bigint,double->string' # 参数类型为BIGINT、DOUBLE,返回值类型为STRING。
'bigint,boolean->string,datetime' # UDTF参数类型为BIGINT、BOOLEAN,返回值类型为STRING,DATETIME。
'*->string' # 变长参数,输入参数类型任意,返回值类型为STRING。
'->double' # 参数为空,返回值类型为DOUBLE。
'array<bigint>->struct<x:string, y:int>' # 参数类型为ARRAY<BIGINT>,返回值类型为STRUCT<x:STRING, y:INT>。
'->map<bigint, string>' # 参数为空,返回值类型为MAP<BIGINT, STRING>。
查询语义解析阶段会检查不符合函数签名的用法,并返回错误,禁止执行此函数。执行时,UDF函数的参数会以函数签名指定的类型传入。返回值类型也要与函数签名指定的类型一致,否则检查到类型不匹配时也会报错。
MaxCompute SQL数据类型对应的Python类型如下。
MaxCompute SQL Type | Python 2 Type |
---|---|
BIGINT | INT |
STRING | STR |
DOUBLE | FLOAT |
BOOLEAN | BOOL |
DATETIME | INT |
FLOAT | FLOAT |
CHAR | STR |
VARCHAR | STR |
BINARY | BYTEARRAY |
DATE | INT |
DECIMAL | DECIMAL.DECIMAL |
ARRAY | LIST |
MAP | DICT |
STRUCT | COLLECTIONS.NAMEDTUPLE |
说明
- DATETIME类型对应的Python类型是INT,值为Epoch UTC Time起至今的毫秒数。您可以通过Python标准库中的DATETIME模块处理日期时间类型。
odps.udf.int(value,[silent=True])
增加了参数silent
。当silent
为True时,如果value
无法转为INT,则会返回None(不会返回异常)。- NULL值对应Python的None。
UDF
定义一个New-style Class,通过
evaluate
方法,即可实现Python UDF。from odps.udf import annotate
@annotate("bigint,bigint->bigint")
class MyPlus(object):
def evaluate(self, arg0, arg1):
if None in (arg0, arg1):
return None
return arg0 + arg1
说明 Python UDF必须通过
annotate
指定函数签名。
Python UDF的使用示例请参考使用MaxCompute分析IP来源最佳实践。
UDAF
class odps.udf.BaseUDAF
:继承此类实现Python UDAF。BaseUDAF.new_buffer()
:返回聚合函数的中间值的buffer
。buffer
必须是Marshal对象(例如LIST、DICT),并且buffer
的大小不应该随数据量递增。在极限情况下,buffer
在执行对象序列化后的大小不应该超过2 MB。BaseUDAF.iterate(buffer[, args, ...])
:将args
聚合到中间值buffer
中。BaseUDAF.merge(buffer, pbuffer)
:将两个中间值buffer
聚合到一起,即将pbuffer
合并到buffer
中。BaseUDAF.terminate(buffer)
:将中间值buffer
转换为MaxCompute SQL的基本类型。
使用UDAF计算平均值的示例如下。
@annotate('double->double')
class Average(BaseUDAF):
def new_buffer(self):
return [0, 0]
def iterate(self, buffer, number):
if number is not None:
buffer[0] += number
buffer[1] += 1
def merge(self, buffer, pbuffer):
buffer[0] += pbuffer[0]
buffer[1] += pbuffer[1]
def terminate(self, buffer):
if buffer[1] == 0:
return 0.0
return buffer[0] / buffer[1]
UDTF
class odps.udf.BaseUDTF
:Python UDTF的基类。您可以继承此类实现process
或close
等方法。BaseUDTF.__init__()
:初始化方法。继承类如果需要实现此方法,必须在一开始调用基类的初始化方法super(BaseUDTF, self).__init__()
。init
方法在整个UDTF生命周期中只会被调用一次,即在处理第一条记录之前。当UDTF需要保存内部状态时,可以通过此方法初始化所有状态。BaseUDTF.process([args, ...])
:此方法由MaxCompute SQL框架调用,SQL中每一条记录都会调用一次process
,process
的参数为SQL语句中指定的UDTF输入参数。BaseUDTF.forward([args, ...])
:UDTF的输出方法。此方法由用户代码调用。每调用一次forward
,便会输出一条记录。forward
的参数为SQL语句中指定的UDTF的输出参数。BaseUDTF.close()
:UDTF的结束方法。此方法由MaxCompute SQL框架调用,并且只会被调用一次,即在处理完最后一条记录之后。
UDTF的示例如下。
#coding:utf-8
# explode.py
from odps.udf import annotate
from odps.udf import BaseUDTF
@annotate('string -> string')
class Explode(BaseUDTF):
#将string按逗号分隔输出成多条记录。
def process(self, arg):
props = arg.split(',')
for p in props:
self.forward(p)
说明 Python UDTF可以不通过
annotate
指定参数类型和返回值类型。这样,在SQL中使用函数时可以匹配任意输入参数,但无法推导返回值类型,所有输出参数都将被视为STRING类型。因此在调用forward
时,必须将所有输出值转换为STRING类型。
引用资源
Python UDF可以通过odps.distcache
模块引用资源文件,支持引用文件资源和表资源。
odps.distcache.get_cache_file(resource_name)
:返回指定名字的资源内容。resource_name
为STRING类型,对应当前项目空间中已存在的资源名。如果资源名非法或者没有相应的资源,则会返回异常。说明 使用UDF访问资源,在创建UDF时需要声明引用的资源,否则会报错。- 返回值为File-like对象。在使用完此对象后,您需要调用
close
方法释放打开的资源文件。
示例如下。@annotate('bigint->string') class DistCacheExample(object): def __init__(self): cache_file = get_cache_file('test_distcache.txt') kv = {} for line in cache_file: line = line.strip() if not line: continue k, v = line.split() kv[int(k)] = v cache_file.close() self.kv = kv def evaluate(self, arg): return self.kv.get(arg)
odps.distcache.get_cache_table(resource_name)
:返回指定资源表的内容。resource_name
支持STRING类型,对应当前Project中已存在的资源表名。如果资源名非法或者没有相应的资源,会返回异常。- 返回值为GENERATOR类型,调用者通过遍历获取表的内容,每次遍历可得到以数组形式存在的表中的一条记录。
示例如下。from odps.udf import annotate from odps.distcache import get_cache_table @annotate('->string') class DistCacheTableExample(object): def __init__(self): self.records = list(get_cache_table('udf_test')) self.counter = 0 self.ln = len(self.records) def evaluate(self): if self.counter > self.ln - 1: return None ret = self.records[self.counter] self.counter += 1 return str(ret)
在文档使用中是否遇到以下问题
更多建议
匿名提交