标签：
GMV(一定时间内的成交总额)是一个衡量电商网站营业收入的一项重要指标，例如淘宝，京东都有这样的衡量标准，感兴趣的朋友可以自己科普下这方面的概念知识。
当然散仙今天，并不是来解释概念的，而是记录下最近工作的一些东西，原来我们平台的GMV只有一个总的成交金额，并没有细分到各个系统的GMV的比重，比如搜索端，推荐端，移动端等等。
通过细粒度的分析各个系统所占的比重，对于指导各个系统完善和发展有一定的重要意义，这里不就深说了，下面先来看下散仙分析的搜索gmv的数据布局方式。
（1）Hadoop集群上，存储了一些非核心的数据，比如访问数据，点击数据，购物车数据，下单数据（这个是从数据库里每天同步到HDFS上的，算是备份吧）
（2）Oracle数据库中，存储了订单信息，交易信息，商品信息，支付信息等一些电商的核心数据
其实关于gmv的计算方式，在我们oracle库里，以及有一个存储过程封装了复杂的细节的处理，包括运费，折扣，不同国家，不同地域，信用用户，等等，在使用时候，只需要传入一个订单编号即可，计算出本单的gmv成交金额。
这样以来的，按照目前的数据情况，订单编号是从Hadoop集群上，一直是从搜索，点击，添加购物车，下单计算出来的，然后获取的对应的订单编号，注意这个过程中，是需要全程去爬虫数据的，因为还要算最终的GMV成交额，所以需要找到一定时期内的订单号，然后通过调用在oracle库的封装好的函数，计算出gmv，这样以来，就能够比较细跟踪各个阶段运行轨迹和成交额。
ok，业务上的分析大致如此，下面就看下，技术上如何实现，其实就是需要Pig的一个自定义UDF函数，在遍历每一行的recoder时，去查询oracle只读库，获取gmv的值，并将最终结果存储起来，以图形化方式展示。
Pig里面对UDF函数非常丰富，比较常用的是转化函数和加载存储函数，这一点在Hive里，也是如此，之前的文章中，散仙介绍过，通过自定义UDF将pig分析的结果直接存储到数据库或索引中，便于检索和发挥不同框架之间的组合优势。
核心代码如下：
Java代码 
package com.pig.dhgate.getgvmbyrfxno;
import java.io.IOException;
import org.apache.pig.EvalFunc;
import org.apache.pig.data.Tuple;
import org.slf4j.Logger;
import org.slf4j.LoggerFactory;
/**
* 自定义Pig UDF实现查询db计算gmv
* **/
public class GetGmvByRfxno extends EvalFunc<Double> {
/**日志对象*/
static Logger log =LoggerFactory.getLogger(GetGmvByRfxno.class);
/**数据库工具类*/
DBTools dbtools=new DBTools();
@Override
public Double exec(Tuple input) throws IOException {
if(input!=null&&input.size()!=0){
//获取传入的订单号
String rfxno =(String)input.get(0);
//通过db类，查询对应的gmv并返回
double gmv=dbtools.getGmvByRfxno(rfxno);
return gmv;
}else{
//对null，空值，一律按0处理
return 0.00;
}
}
}
数据库封装类：
Java代码
/***
* 数据库工具类
* */
public class DBTools {
/**日志对象*/
static Logger log =LoggerFactory.getLogger(DBTools.class);
private static Connection conn;
private static PreparedStatement ps;
private ResultSet rs;
//从虚拟表查询函数
private static String sql="select datasql.GETGMV(?) as gmv from dual ";
static{
try{
Class.forName("oracle.jdbc.driver.OracleDriver");
conn = DriverManager.getConnection("jdbc:oracle:thin:@ip地址:1521:数据库名", "用户名", "密码");
System.out.println("数据库连接："+conn);
ps=conn.prepareStatement(sql);
}catch(Exception e){
log.error("初始化oracle驱动异常!", e);
}
}
/**根据一个rfxno获取对应的产品的gmv
* **/
public double getGmvByRfxno(String rfxno){
try{
ps.setString(1, rfxno);
rs = ps.executeQuery();
if(rs.next()){
double gmv=rs.getDouble("gmv");
// System.out.println("gmv是： "+gmv);
return gmv;
}
rs.close();
}catch(Exception e){
log.error("根据rfxno获取gmv出错!",e);
}
return 0.0;
}
}
其实，代码还是比较简单的，在这里，你可以从任何数据源获取需要的数据，而不仅仅是数据库，你也可以从redis，memcache，文件，xml，等等里获取需要组合用的数据。
遇到一个异常：在sql语句后面，不用加分号，类似下面的这样的语句，通过jdbc编译然后调用oracle是不通过的：
Sql代码
select datasql.GETGMV(?) as gmv from dual;
select datasql.GETGMV(?) as gmv from dual;
这一点需要注意下。
最后来看下如下在pig脚本里，使用自定义的函数：
（1）使用ant打包自定义的udf函数的jar
（2）在pig脚本里，注册相关的jar包，注意如果有依赖关系，依赖的jar包，也需要注册，例如本例中的oracle的jdbc的驱动包
（3）在对应的地方，通过类的全路径名，引用此函数，完成对应的查询转换，并将新得到的一个字段，作为原始一行记录的字段扩充。
脚本如下：
Java代码
--注册依赖的jar包 register /home/search/dongliang/nsconvent/checklist/ojdbc.jar register /home/search/dongliang/nsconvent/checklist/tools.jar --加载原有数据 m = load ‘/tmp/mdm/VW_TD_RFX‘ using PigStorage(‘\\x07‘); --加载原有数据 n = load ‘/tmp/mdm/TD_RFX_PRODUCT‘ using PigStorage(‘\\x07‘); --过滤出符合时间的数据 m= filter m by ToMilliSeconds(ToDate($3,‘yyyy-MM-dd HH:mm:ss‘)) >= ToMilliSeconds(ToDate(‘$day 00:00:00‘,‘yyyy-MM-dd HH:mm:ss‘)) and ToMilliSeconds(ToDate($3 ,‘yyyy-MM-dd HH:mm:ss‘)) <= ToMilliSeconds(ToDate(‘$day 23:59:59‘,‘yyyy-MM-dd HH:mm:ss‘)) ; --提取相关字段，并完成计算 m = foreach m generate $0 as arfid, $1 as rfxno , com.pig.dhgate.getgvmbyrfxno.GetGmvByRfxno((chararray)$1) as gmv , $4 as bid ; --获取topN数据 m = limit m 10 ; --打印输出 dump m;
玩转大数据系列之Apache Pig如何通过自定义UDF查询数据库（五）
标签：
原文地址：http://my.oschina.net/u/1027043/blog/386396
