Java UDF 的設計與使用介紹，相容 Hive UDF 實現資料快速遷移

語言: CN / TW / HK
時間 2023-01-16 14:01:10
主題:

作者介紹： 李仕楊，SelectDB 生態研發工程師，Apache Doris Contributor。

我們在使用各個 SQL 引擎時，會遇到紛繁複雜的查詢需求。一部分可以通過引擎自帶的內建函式去解決，但內建函式往往具有一定通用性，在部分特殊場景下內建函式可能無法滿足需求，所以一般 SQL 引擎會提供 UDF 功能，方便使用者通過自己寫邏輯來滿足特定的需求，Apache Doris 也不例外。

在 Java UDF 之前，Apache Doris 提供了原生 UDF 。由於是使用 C++ 來編寫的，執行效率高、速度更快，但是在實際使用中也會存在一些問題：

  • 跟 Doris 程式碼耦合度高，需要自己打包編譯 Doris 原始碼
  • 只支援 C++ 語言並且 UDF 程式碼出錯會影響 Doris 叢集穩定性
  • 對於只熟悉 Hive、Spark 等大資料元件的使用者有一定使用門檻

由上可知，原生的 UDF 實現起來門檻較高且存在一定的不穩定性因素。那麼是否有一種實現相對簡單、使用門檻較低且與 Doris 程式碼耦合度低的 UDF 呢？

答案是有的。在 2022 年 12 月正式釋出的 Apache Doris 1.2.0 版本（https://github.com/apache/doris/releases）中，我們推出了全新的 Java UDF 和 Remote UDF 功能，其中 Java UDF 不僅能滿足以上要求，並且在方便和安全形度為使用者帶來了全新體驗：

  • 不熟悉 C++？Java 程式碼一樣可以實現自己的 UDF
  • 使用條件苛刻？只要有 Jar 包就能使用
  • 擔心穩定性？Java UDF 出錯隻影響自身，對 Doris 的穩定性幾乎無影響
  • 遷移舊大資料平臺的資料和 UDF 費時費力？Java UDF 完全相容 Hive UDF，輕鬆實現快速遷移
  • .......

設計思路

大體步驟

Apache Doris 的 BE 是由 C++ 程式碼編寫，如果想在 Doris 中實現 Java UDF，不可避免需要呼叫 JNI，而不正確的 JNI 呼叫將導致嚴重的效能問題。那麼該如何設計 Java UDF 以解決這個問題呢？

Doris Java UDF 針對向量化引擎，其設計思路大體如下：

  • 首先，制定使用者在建立 UDF 時必須遵循的一些規則。 例如，UDF 類必須具有 Evaluate 方法，並且必須是 Public 和 Non-Static 的。 這些規則確保我們可以正確呼叫 UDF。
  • 其次，Doris 查詢引擎會執行一個新的 Java 函式呼叫，BE 會建立或重用一個 JVM 來呼叫真正的 Java UDF。 為了隔離不同的 UDF 例項，選擇使用不同的類載入器來載入 UDF。
  • 最後，由於執行時是向量化的，因此可以實現一次執行多行資料只調用一次 JNI，原因是 JNI 開銷被輸入列中所有行分攤了[1]， 這將給使用者帶來更好的效能體驗。

詳細步驟

熟悉 Java 的朋友應該都知道，JVM 在直接記憶體即非堆區的 IO 操作比堆區更高效，因此 Doris Java UDF 一般是在直接記憶體中對資料進行 IO 操作。通常 UDF 有以下幾種情況：

  • 一般 UDF （定長UDF）

    • 此處的基本思想是傳遞直接指向輸入緩衝區和輸出緩衝區的地址，Doris 可以直接從所給地址中讀取和寫回資料，這可以幫助 Doris 避免不必要的資料拷貝。 Input Buffer 和 Output Buffer 都是 JVM 的堆外記憶體，可以直接通過J ava 的 API 來操作這部分記憶體。
    • 整體執行模式如下圖：

img

  • UDAF（變長輸出）

    • 對於一般 UDF 來說，輸出大小和型別是不變，因此所需 Buffer 大小也是確定的，而對於 UDAF（變長輸出），一般 UDF（定長 UDF）的步驟將不再適用。
    • 因此* *需要做出如下改變：**在第 1 步分配一個初始緩衝區，當結果大於分配的初始緩衝區時跳到第 3 步，在第 3 步中進行一次擴容。當這種情況持續發生時，我們再次重複上述步驟分配新緩衝區並繼續為剩餘的行執行 UDF，直到所有資料都執行完成。
    • 執行過程如下圖所示：

img

通過上文介紹，我們基本瞭解了 Doris Java UDF 的執行情況，那麼在實際生產中應該如何來使用Java UDF呢？

Java UDF 的使用

Java UDF 使用起來非常簡單。Java UDF 在 Doris 內註冊完成後，Doris 執行時通過呼叫 jar 包來實現 UDF 邏輯。順序結構如下圖：

img

具體步驟：

  1. 參考``doris/samples/doris-demo/java-udf-demo/src/main/java/org/apache/doris/udf/AddOne.java 檔案，編寫 UDF 邏輯，你可以像 Hive UDF 一樣在任何地方進行編寫和打包，不必跟 Doris 環境相關聯。
  • AddOne.java檔案內容如下：
  • // 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;
    }
}

  1. 執行 mvn 打包命令

       mvn clean package

  2. 建立 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"
      );
  1. 使用已建立的 UDF
           建表：
           CREATE TABLE IF NOT EXISTS test.t1 (`col_1` int NOT NULL)
           DISTRIBUTED BY HASH(col_1) PROPERTIES("replication_num" = "1");
           
           
           插入資料：
           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 的建立和使用就完成了，十分簡單易用。

注意事項

  • 最開始需要確定 BE 節點是否配置了JAVA_HOME，如果環境變數沒有配置，則可以在be/bin/start_be.sh檔案第一行加上
export JAVA_HOME=/xxx/xxx
  • UDF 程式碼中必須要帶有以下資訊（UDAF 則替換成對應的）
import org.apache.hadoop.hive.ql.exec.UDF;
  • 建立 Doris java UDF 的語句，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 是建立 UDF 的名稱，可以進行更改，UDF 名稱不能與 Doris 其他函式重命。

名稱後的``(int)``表示函式輸入引數是 int 型別，RETURNS``後的``int``表示函式輸出也是 int 型別；輸入輸出型別跟 Java 程式碼中 Evaluate 函式的輸入輸出型別要保持一致。

  • PROPERTIES

file表示 jar 包在本機的路徑，應該修改"/path/to/your_jar_name.jar"``作為 jar 包的絕對路徑。如果是多機環境，也可以使用 http 形式表示的路徑，例如"file"="http://${host}:${http_port}/${your_jar_file}"

可以使用python命令來簡單啟動一個http server：
nohup python -m SimpleHTTPServer 12345 > /dev/null 2>&1
(啟動python的目錄需要跟你的jar包保持一致，比如你的jar放在A機器的/usr/lib下，那麼python命令最好也在該機器的該目錄下啟動)

Symbol 可以參考 Java 程式碼中的 Package always_nullable表示 UDF 返回結果中是否可能出現 NULL 值，如果想要在計算中對出現的NULL值有特殊處理，以確定結果中不會返回 NULL，可以設為 false，有利於提升整個查詢計算過程的效能。

收益總結

通過本文的介紹，瞭解了Doris Java UDF 的設計與使用方法，那麼在實際的應用中，Doris Java UDF 能為使用者帶來什麼收益呢？

  • 熟悉 Java 的同學也可以快速上手開發 Doris，使用簡單便捷，較大提升開發效率。

  • 相容 Hive UDF，有效降低從 Hadoop 遷移資料的成本。

  • UDF 程式碼出錯並不會影響 Doris，某種程度上保證了 Doris 的更好穩定執行。

  • 與 Doris 程式碼解耦，真正做到了"Write Once Run Anywhere"

  • 執行效率方面，Java UDF 是完全向量化執行的，一次執行多行資料只調用一次 JNI，結合堆外記憶體、Zero Copy 等優化技術，使用者在使用 Java UDF 時，也能得到與之前的 C++ UDF 一致甚至更佳的查詢效能體驗。

社群貢獻

如果你的 UDF 已被許多場景應用，可以將 UDF 貢獻到 Apache Doris 社群。貢獻步驟可參考：https://doris.incubator.apache.org/zh-CN/docs/dev/ecosystem/udf/contribute-udf

需要注意的是，Doris BE 端是由 C++ 程式碼實現的，因此你所貢獻的內建 UDF 也需要由C++程式碼實現。Apache Doris 社群期待你的加入！

本文引用

[1] Viktor Rosenfeld, René Müller, Pinar Tözün, etc. Processing Java UDFs in a C++ environment. SoCC 2017: 419-431.

[2] Marcel Kornacker, Alexander Behm, Victor Bittorf, etc. Impala: A Modern, Open-Source SQL Engine for Hadoop. CIDR 2015.

[3]DSIP-001: Java UDF： https://cwiki.apache.org/confluence/display/DORIS/DSIP-001%3A+Java+UDF

[4]Apache Doris GitHub: https://github.com/apache/doris

END

「其他文章」
「」