Hive数据去重

insert overwrite table log    
  select t.p_key,t.sort_word from     
    ( select p_key,    
           sort_word ,    
           row_number() over(distribute by p_key sort by sort_word) as rn   
     from log) t    
     where t.rn=1;    


说明：
1） p_key 为去重所依据的key，sort_word表示多个p_key的排列顺序，这个关键字将决定哪个p_key将留下
2） t 为子查询的别名，Hive需要在每个子查询后面加别名
3） t.rn=1表示重复的数据只保留第一个
4） distribute by 关键字指定分发的key，同一个key将分发到同一个reducer
5） sort by 是单机范围内排序，因此配合distribute by 就可以对某一个关键字排序