Hive去重复数据

Hive数据去重

insert overwrite table store  
  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 store) t  
     where t.rn=1;  

说明：

• 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。
• t 为子查询的别名，Hive需要在每个子查询后面加别名
• t.rn=1表示重复的数据只保留第一个。
• distribute by 关键字指定分发的key，同一个key将分发到同一个reducer
• 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

参考：
写好Hive 程序的五个提示
Hive 典型的中表内数据除重写法