Java中的配置单元UDF在创建表时失败

Question

这两个查询之间的区别是什么：

SELECT my_fun(col_name) FROM my_table;

及

CREATE TABLE new_table AS SELECT my_fun(col_name) FROM my_table;

我的乐趣是java UDF

我这样问是因为当我创建新表（第二个查询）时，我收到一个java错误

Failure while running task:java.lang.RuntimeException: java.lang.RuntimeException: Map operator initialization failed
...
Caused by: org.apache.hadoop.hive.ql.exec.UDFArgumentException: Unable to instantiate UDF implementation class com.company_name.examples.ExampleUDF: java.lang.NullPointerException

我发现错误的来源是我的java文件中的第行：

encoded = Files.readAllBytes(Paths.get(configPath));

但问题是为什么它在未创建表时工作，而在创建表时失败

Answer 1

问题可能在于您读取文件的方式。尝试将文件路径作为UDF中的第二个参数传递，然后按如下方式读取

private BufferedReader getReaderFor(String filePath) throws HiveException {
    try {
        Path fullFilePath = FileSystems.getDefault().getPath(filePath);
        Path fileName = fullFilePath.getFileName();
        if (Files.exists(fileName)) {
            return Files.newBufferedReader(fileName, Charset.defaultCharset());
        }
        else
        if (Files.exists(fullFilePath)) {
            return Files.newBufferedReader(fullFilePath, Charset.defaultCharset());
        }
        else {
            throw new HiveException("Could not find \"" + fileName + "\" or \"" + fullFilePath + "\" in inersect_file() UDF.");
        }
    }
    catch(IOException exception) {
        throw new HiveException(exception);
    }
}

private void loadFromFile(String filePath) throws HiveException {
    set = new HashSet<String>();

    try (BufferedReader reader = getReaderFor(filePath)) {
        String line;
        while((line = reader.readLine()) != null) {
            set.add(line);
        }
    } catch (IOException e) {
        throw new HiveException(e);
    }
}

使用文件读取器的不同通用UDF的完整代码可以在here

Answer 2

我认为有几点不清楚，所以这个答案是基于假设的

首先，重要的是要了解hive目前优化了几个简单的查询，并且根据数据的大小，为您工作的查询SELECT my_fun(col_name) FROM my_table;很可能是从执行作业的客户端本地运行的，这就是为什么UDF可以访问本地可用的配置文件，这种“执行模式”是因为数据的大小。CTA触发一个独立于输入数据的作业，该作业在集群中分布式运行，每个工作人员都无法访问配置文件

看起来您试图从本地文件系统而不是从HDSFS Files.readAllBytes(Paths.get(configPath))读取配置文件，这意味着您的配置必须在所有工作节点中复制，或者之前添加到分布式缓存中（您可以使用本文档中的添加文件，dochere）。关于从UDF访问分布式缓存中的文件，您可以找到另一个问题here

另一个问题是，您正在通过一个环境变量传递配置文件的位置，该变量不是作为配置单元作业的一部分传播到工作节点的。您应该将此配置作为配置单元配置传递，假设您正在扩展GenericUDF，那么可以从UDF here访问配置单元配置