Hive -【group by】深刻理解，以及数据倾斜、与distinct区别（去重统计）

目录

1、数据准备

2、实例解读

扩展知识：group by带来的数据倾斜处理、与distinct的区别

环境

• CentOS 7.5
• Hadoop 2.6.5
• MariaDB 5.5.60
• Hive 1.2.2

1、【数据准备】

hive (mydb)> select * from page_view;
OK
page_view.pageid        page_view.userid        page_view.time
1       111     9:08:01
2       111     09:08:13
1       222     09:08:14
1       333     10:56:00
1       444     12:16:45
hive (mydb)> select * from page_user;
OK
page_user.userid        page_user.age   page_user.gender
hive (mydb)> select * from page_user;
OK
page_user.userid        page_user.age   page_user.gender
111     25      female
222     32      male
333     25      male
444     25      female

• page_view表：是一个网站 或APP页面访问（或称浏览）表（也可以理解为 页面访问日志）。比如：第一行表示用户（userid）111访问了页面（pageid）1 ，访问时间是9:08:01。
• page_user表：是访问页面的用户（user）信息，字段有userid、age、gender。

需求：访问每个页面的用户信息（暂时 只需得到用户年龄）

1）创建一个新表用于存储页面id、用户年龄：pv_users
create table pv_users (pageid string,age string);

2）得到新表的数据：
insert overwrite table pv_users
select pv.pageid,pu.age
from page_view pv
join page_user pu
on (pv.userid=pu.userid);

3）查看新表的数据：
hive (mydb)> select * from pv_users;
OK
pv_users.pageid pv_users.age
1       25
2       25
1       32
1       25
1       25

很显然：

• 访问页面1的用户年龄有2个：25、32
• 访问页面2的用户年龄有1个：25

新增一个需求：每个页面上，统计访问的用户年龄。

select pageid,age,count(1) as cnt
from pv_users
group by pageid,age;

OK
pageid  age     cnt
1       25      3
1       32      1
2       25      1

2、正题：高级查询之 group by

group by：按照某些字段的值进行分组，有相同值的行 放到一起。

解读方式 1：SQL语句执行的逻辑过程

select *
from pv_users
group by pageid,age;

(tok_table_or_col pageid)       (tok_table_or_col age)
1       25
1       32
2       25
-------------------------------
select age
from pv_users
group by age;

age
25
32

select age
from pv_users
group by age;

• 1）from pv_users语句，结果是和pv_users一样的，即原来的表内容；
• 2）from pv_users group by age，以字段age为基准进行分组（group by），age值相同的行【合并】在一起，即分组（group）到一起，为了便于理解，可认为：若还有其他字段（如pageid）写到一个单元格中；
  • 针对一个单元格中有多个数据的情况，就可以使用【聚合函数】，如count(age 或* 或1)、sum(字段)；
  • 针对group by 字段1, 字段2，...，那么就将字段1, 字段2，...看作一个整体。
  • 参照下图
• 3）select age，对上一步结果执行select语句，即 得到age列的数据。

下方SQL语句可以一样的方式去理解，只不过要需要结合实际生产环境的场景来：

select pageid,age
from pv_users
group by pageid,age;

pageid  age
1       25
1       32
2       25
-------------------------------
select pageid
from pv_users
group by pageid,age;

pageid
1
1
2
-------------------------------
select pageid,age,count(*)
from pv_users
group by pageid,age;

pageid  age     _c2
1       25      3
1       32      1
2       25      1
-------------------------------
select age,count(*)
from pv_users
group by pageid,age;

age     _c1
25      3
32      1
25      1
-------------------------------
select age
from pv_users
group by pageid;

FAILED: SemanticException [Error 10025]: Line 1:7 Expression not in GROUP BY key 'age'

注意：select后面的非聚合列（即 普通列）必须是出现在group by中的，否则报错如上。【聚合列】，即进行聚合操作的列，比如：count(1),sel_expr（聚合操作）。

解读方式 2：通过MapReudce的执行原理来理解 group by：

select age
from pv_users   ---->Map端执行
group by age;   ---->Reduce端执行

group by的执行会经过reduce操作，必然受限于reduce数量（set mapred.reduce.tasks=n;，不使用默认的话，可自行设置），输出文件个数跟reduce数量相同、文件大小跟reduce处理的数量有关。

explian命令，用于查看查询计划：

hive (mydb)> explain select pageid,age,count(1) as cnt
            > from pv_users
            > group by pageid,age;
OK
Explain
STAGE DEPENDENCIES:
  Stage-1 is a root stage
  Stage-0 depends on stages: Stage-1

STAGE PLANS:
  Stage: Stage-1
    Map Reduce
      Map Operator Tree:
          TableScan
            alias: pv_users
            Statistics: Num rows: 5 Data size: 20 Basic stats: COMPLETE Column stats: NONE
            Select Operator
              expressions: pageid (type: string), age (type: string)
              outputColumnNames: pageid, age
              Statistics: Num rows: 5 Data size: 20 Basic stats: COMPLETE Column stats: NONE
              Group By Operator
                aggregations: count(1)
                keys: pageid (type: string), age (type: string)
                mode: hash
                outputColumnNames: _col0, _col1, _col2
                Statistics: Num rows: 5 Data size: 20 Basic stats: COMPLETE Column stats: NONE
                Reduce Output Operator
                  key expressions: _col0 (type: string), _col1 (type: string)
                  sort order: ++
                  Map-reduce partition columns: _col0 (type: string), _col1 (type: string)
                  Statistics: Num rows: 5 Data size: 20 Basic stats: COMPLETE Column stats: NONE
                  value expressions: _col2 (type: bigint)
      Reduce Operator Tree:
        Group By Operator
          aggregations: count(VALUE._col0)
          keys: KEY._col0 (type: string), KEY._col1 (type: string)
          mode: mergepartial
          outputColumnNames: _col0, _col1, _col2
          Statistics: Num rows: 2 Data size: 8 Basic stats: COMPLETE Column stats: NONE
          File Output Operator
            compressed: false
            Statistics: Num rows: 2 Data size: 8 Basic stats: COMPLETE Column stats: NONE
            table:
                input format: org.apache.hadoop.mapred.TextInputFormat
                output format: org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat
                serde: org.apache.hadoop.hive.serde2.lazy.LazySimpleSerDe

  Stage: Stage-0
    Fetch Operator
      limit: -1
      Processor Tree:
        ListSink

Time taken: 0.078 seconds, Fetched: 48 row(s)
hive (mydb)> 

【Hive-Group By（GroupByOperator类） 源码-官方】
【大佬博文-Hive 工作流程源码分析】

---

扩展知识：

1、问题：由于group by带来的数据倾斜（Skew In Data），导致性能变差

• 1）网络负载过重；
• 2）出现数据倾斜（可以通过set hive.groupby.skewindata=true;参数来优化数据倾斜的问题，默认为false。但每个参数都是双刃剑），参数设置为true时，会生成的查询计划会有两个MR Job：即设置了这个参数后的MR执行流程
  • 第一个MR Job：Map的输出结果集 会随机分布到Reduce中，每个Reduce做部分聚合操作，并输出结果。这样处理的结果是相同的Group By Key有可能被分发到不同的Reduce中，从而达到负载均衡的目的；
  • 第二个MR Job：再根据预处理的数据结果按照Group By Key分布到Reduce 中（这个过程可以保证相同的Group By Key被分布到同一个Reduce中），最后完成最终的聚合操作。

2、group by 与distinct区别以及性能比较

distinct，译作：有区别的、不同的

Hive并不惧怕数据量有多大，而是数据倾斜。

数据：pv_users表
pv_users.pageid pv_users.age
1       25
2       25
1       32
1       25
1       25
-------------------------------------
select count(distinct age) as age_cnt
from pv_users;

age_cnt
2

-------------------------------------
select count(t.age) as age_cnt from
(
select age from pv_users group by age
) t;

age_cnt
2

当处理大量数据时（比如 近8亿条记录，总大小108GB。当然这测试时只有5条数据），从MR执行打印中可观察到：

• 使用distinct(key)，会将所有的key都shuffle到一个reducer中，就会发生数据倾斜。
• distinct(key)会将key 的所有值都加载到内存中，数据量太大时，容易OOM。即 count(distinct key)内存消耗大，但查询快。
• group by是将key排序，它的空间复杂度小，在时间复杂度允许的情况下，可以发挥他的空间复杂度优势。

因此，数据量太大时，不推荐用distinct，尽管可读性更好。

一条SQL语句中，同时有group by、distinct语句，执行顺序是：先group by，后distinct。