Hive:如果两个表之间满足条件,则查找唯一值
Posted
技术标签:
【中文标题】Hive:如果两个表之间满足条件,则查找唯一值【英文标题】:Hive: Find unique values if condition met between two tables 【发布时间】:2021-05-14 16:09:33 【问题描述】:我有两张桌子。 Table 1
有我感兴趣的所有独特的地方(30 行):
places |
---|
japan |
china |
india |
... |
Table 2
拥有 ID、去过的地方和日期的所有信息。
id | places | date |
---|---|---|
10001 | japan | 20210204 |
10001 | australia | 20210204 |
10001 | china | 20210204 |
10001 | argentina | 20210205 |
10002 | spain | 20210204 |
10002 | india | 20210204 |
10002 | china | 20210205 |
10003 | argentina | 20210204 |
10003 | portugal | 20210204 |
我有兴趣得到的是:
对于特定日期(比如 20210204) 从表 2 中查找所有唯一的IDs
,这些 IDs
至少访问过表 1 中的 places
之一
将那些唯一的IDs
保存到临时表中。
这是我尝试过的:
create temporary table imp.unique_ids_tmp
as select distinct(final.id) from
(select t2.id
from table2 as t2
where t2.date = '20210204'
and t2.places in
(select * from table1)) final;
我正在努力整合“至少一个”逻辑,这样一旦找到令人满意的id
,它就会停止查看那些id
记录。
【问题讨论】:
【参考方案1】:使用left semi join(以有效的方式实现不相关的EXISTS),它将只过滤加入的记录,然后应用不同的:
create temporary table imp.unique_ids_tmp as
select distinct t2.id --distinct is not a function, do not need ()
from table2 t2
left semi join table1 t1 on t2.places = t1.places
where t2.date = '20210204'
;
将满足“至少一次”条件:没有连接记录的 ID 不会出现在数据集中。
另一种方法是使用相关的 EXISTS:
create temporary table imp.unique_ids_tmp as
select distinct t2.id --distinct is not a function, do not need ()
from table2 t2
where t2.date = '20210204'
--this condition is true as soon as one match is found
and exists (select 1 from table1 t1 where t2.places = t1.places)
;
IN 也可以。
Correlated EXIST 看起来接近于“一旦找到令人满意的 id,它就会停止查看那些 id 记录”,但所有这些方法都是使用 Hive 中的 JOIN 实现的。执行 EXPLAIN,你会看到,它会生成相同的计划,尽管它取决于你的版本中的实现。可能 EXISTS 可以更快,因为不需要检查子查询中的所有记录。考虑到您的 30 行 table1 足够小以适合内存,MAP-JOIN (set hive.auto.convert.join=true;
) 将为您提供最佳性能。
使用数组或 IN(static_list) 的一种更快速的方法。它可用于小型和静态数组。有序数组可能会给你更好的性能:
select distinct t2.id --distinct is not a function, do not need ()
from table2 t2
where t2.date = '20210204'
and array_contains(array('australia', 'china', 'japan', ... ), t2.places)
--OR use t2.places IN ('australia', 'china', 'japan', ... )
为什么这个方法更快:因为不需要启动mapper和计算splits来从hdfs读取table,只会读取table2。缺点是值列表是静态的。另一方面,您可以将整个列表作为参数传递,请参阅here。
【讨论】:
以上是关于Hive:如果两个表之间满足条件,则查找唯一值的主要内容,如果未能解决你的问题,请参考以下文章