hive sql中常用技巧

sort_array

函数声明如下：ARRAY sort_array(ARRAY)
函数用途：对给定中的数组排序
参数说明：ARRAY，ARRAY类型数据，数组中的数据可为任意类型。
返回值：ARRAY类型
示例：

--建表
CREATE TABLE sort_array
(
    c1 ARRAY<STRING>
    ,c2 ARRAY<INT>
)
;

--装载数据
INSERT OVERWRITE TABLE sort_array
SELECT  array('d','c','b','a')  AS c1
        ,array(4,3,2,1)         AS c2
;

--查询
SELECT  sort_array(c1)
        ,sort_array(c2)
FROM    sort_array
;

--结果

["a","b","c","d"] [1,2,3,4]

分析函数

基本语法：

analytic_function_name([argument_list]) 
OVER ([PARTITION BY partition_expression,…]
[ORDER BY sort_expression, … [ASC|DESC]])

• analytic_function_name: 函数名称 — 比如 RANK(), SUM(), FIRST_VALUE()等等
• partition_expression: 分区列
• sort_expression: 排序列

analytic_function_name为聚合函数

聚合函数可为sum、avg、count、max、min，如下：

select *,
   sum(成绩) over (order by 学号) as current_sum,
   avg(成绩) over (order by 学号) as current_avg,
   count(成绩) over (order by 学号) as current_count,
   max(成绩) over (order by 学号) as current_max,
   min(成绩) over (order by 学号) as current_min
from 班级表

结果：

以sum为例，如上图，聚合函数sum在窗口函数中，是对自身记录、及位于自身记录以上的数据进行求和的结果。比如0004号，在使用sum窗口函数后的结果，是对0001，0002，0003，0004号的成绩求和，若是0005号，则结果是0001号~0005号成绩的求和，以此类推。
不仅是sum求和，avg平均、count计数、max最大值、min最小值，也是同理，都是针对自身记录、以及自身记录之上的所有数据进行计算。
比如0005号后面的聚合窗口函数结果是：学号0001~0005五人成绩的总和、平均、计数及最大最小值。如果想要知道所有人成绩的总和、平均等聚合结果，看最后一行即可。
这样窗口函数有什么用？
聚合函数作为窗口函数，可以在每一行的数据里直观的看到，截止到本行数据，统计数据是多少（最大值、最小值等）。同时可以看出每一行数据，对整体统计数据的影响。
Attention：
sum( col ) over (partition by 分区 order by 排序 desc rows BETWEEN unbounded preceding AND current row
unbounded：无界限
preceding：从分区第一行头开始，则为 unbounded。 N为：相对当前行向前的偏移量
following ：与preceding相反，到该分区结束，则为 unbounded。N为：相对当前行向后的偏移量
current row：顾名思义，当前行，偏移量为0

rank()、dense_rank()、row_number()

rank：对组中的数据进行排名，如果名次相同，则排名也相同，但是下一个名次的排名序号会出现不连续。比如查找具体条件的topN行。rank() 排序为 (1,2,2,4)，简称并列跳跃。
dense_rank：dense_rank函数的功能与rank函数类似，dense_rank函数在生成序号时是连续的，而rank函数生成的序号有可能不连续。当出现名次相同时，则排名序号也相同。而下一个排名的序号与上一个排名序号是连续的。dense_rank()排序为（1，2，2，3），简称并列不跳跃。
row_number：row_number函数在生成序号时是连续的，当出现名次相同，排名序号也是连续的。row_number()排序为（1，2，3，4），简称不并列。

first_value()和 last_value()

• first_value：取分组内排序后，截止到当前行，第一个值。
• last_value：取分组内排序后，截止到当前行，最后一个值。
  例如，select datediff(order_date, first_value ( order_date ) over ( partition by cust_code order by order_date )) next_order_gap from orders
  解决的问题如，客户首次购买后多少天才进行下一次购买。

lead()和lag()

• lead(value_expr[,offset[,default]])：用于统计窗口内往下第n行值。第一个参数为列名，第二个参数为往下第n行（可选，默认为1），第三个参数为默认值（当往下第n行为NULL时候，取默认值，如不指定，则为NULL）。
• lag(value_expr[,offset[,default]]): 与lead相反，用于统计窗口内往上第n行值。第一个参数为列名，第二个参数为往上第n行（可选，默认为1），第三个参数为默认值（当往上第n行为NULL时候，取默认值，如不指定，则为NULL）。

regexp_extract

• 命令格式
  string regexp_extract(string , string [, bigint ])
• 命令说明
  将字符串source按照pattern的规则拆分为组，返回第occurrence个组的字符串。
• 参数说明
  source：必填。STRING类型，待拆分的字符串。
  pattern：必填。STRING类型常量或正则表达式。待匹配的模型。
  occurrence：可选。BIGINT类型常量，必须大于等于0。
• 返回值说明
  返回STRING类型。返回规则如下：
  • 如果pattern为空串或pattern中没有分组，返回报错。
  • occurrence非BIGINT类型或小于0时，返回报错。不指定时默认为1，表示返回第一个组。如果occurrence等于0，则返回满足整个pattern的子串。
  • source、pattern或occurrence值为NULL时，返回NULL。
• 示例

select regexp_extract('foothebar', '(foo)(.*?)(bar)', 0);     --返回foothebar
select regexp_extract('foothebar', '(foo)(.*?)(bar)', 1);     --返回foo
select regexp_extract('foothebar', '(foo)(.*?)(bar)', 2);     --返回the
select regexp_extract('foothebar', '(foo)(.*?)(bar)', 3);     --返回bar

• Attention： 正则表达式

concat()、concat_ws()、group_concat()、collset_set()

• concat(str,str,…)将多个字符串连接在一起，返回结果为连接参数产生的字符串，如果有任何一个参数为null，则返回值为null。hive sql 和 mysql都适用。
• concat_ws(separator, str1, str2, …)和concat()一样，将多个字符串连接成一个字符串，但是可以一次性指定分隔符。
• group_concat( [distinct] 要连接的字段 [order by 排序字段 asc/desc ] [separator ‘分隔符’] )将group by产生的同一个分组中的值连接起来，返回一个- 字符串结果。字段和separator ’ 分隔符 '中间没有逗号，仅适用于mysql。
• collect_set()函数类似于group_concat()，其仅适用在hive sql中。

keyvalue

• 命令格式
  keyvalue(string ,[string ,string ,] string )
  keyvalue(string ,string )
• 命令说明
  将字符串str按照split1分成Key-Value对，并按split2将Key-Value对分开，返回key所对应的Value。
• 参数说明
  key：必填。STRING类型。将字符串按照split1和split2拆分后，返回key值对应的Value。
  str：必填。STRING类型。待拆分的字符串。
  split1、split2：可选。STRING类型。用于作为分隔符的字符串，按照指定的两个分隔符拆分源字符串。如果表达式中没有指定这两项，默认split1为";“，split2为”:"。当某个被split1拆分后的字符串中有多个split2时，返回结果未定义。
• 返回值说明
  返回STRING类型。返回规则如下：
  • split1或split2值为NULL时，返回NULL。
  • str或key值为NULL或没有匹配的key时，返回NULL。
  • 如果有多个Key-Value匹配，返回第一个匹配上的key对应的Value。

select keyvalue('0:1\;1:2', 1);  --返回2
select keyvalue('spm=123.qwe,cpn=101,act=890',',','=','spm')  ----返回123.qwe

优化相关

distribute by+sort by V.S order by

• order by将结果按某字段全局排序，这会导致所有map端数据都进入一个reducer中，在数据量大时可能会长时间计算不完。
• distribute by用于控制map端数据分配到reducer的key，sort by会视情况启动多个reducer进行排序，并且保证每个reducer内局部有序。

group by V.S count(distinct)

• 当数据量级很大，用group by ，可以启动多个job
• 数据集很小或者key的倾斜不明显时，用count(distinct)，少量的reduce就可以处理

map join

• Hive会将build table和probe table在map端直接完成join过程，消灭了reduce，效率很高。
• 优化分组：set hive.auto.convent.join=true;
• 优化表关联内存运行：/+MAPJOIN(t1,t3,t4)/