从 Hive 表中获取与重复行的差异

Posted 2023-03-29

【中文标题】从 Hive 表中获取与重复行的差异

【英文标题】：Getting set difference with duplicate rows from Hive tables

【发布时间】：2020-03-31 11:06:55

【问题描述】：

我有两个 Hive 表：Table1、Table2。 Table1 有重复的行，Table2 没有。我想从 Table1 中获取 Table2 中不存在的缺失数据，包括重复项。如何在 Hive 查询语言中完成这项工作？

例子：

表1数据：

Col1,Col2
A1,V1
A1,V1
A2,V2
A3,V3
A3,V3
A3,V3
A4,V4

表2数据：

Col1,Col2
A1,V1
A2,V2
A3,V3

我想从 Table1 中获取以下缺失数据：

Col1,Col2
A1,V1
A3,V3
A3,V3
A4,V4

【参考方案1】：

你可以使用类似的东西：

with t1 as (
  select 'A1' col1,'V1' col2 union all
  select 'A1' col1,'V1' col2 union all
  select 'A2' col1,'V2' col2 union all
  select 'A3' col1,'V3' col2 union all
  select 'A3' col1,'V3' col2 union all
  select 'A3' col1,'V3' col2 union all
  select 'A4' col1,'V4' col2
),
t2 as (
  select 'A1' col1,'V1' col2 union all
  select 'A2' col1,'V2' col2 union all
  select 'A3' col1,'V3' col2
),
t1_with_rn as (
  select t1.*, row_number() over(partition by t1.col1, t1.col2) rn from t1
)
select 
  t1_with_rn.col1, t1_with_rn.col2
from 
  t1_with_rn
  left join t2 on (t1_with_rn.col1 = t2.col1 and t1_with_rn.col2 = t2.col2 and t1_with_rn.rn = 1)
where
  t2.col1 is null and t2.col2 is null

【讨论】：

谢谢，这行得通。但是，我的表有数百万行。那么，让我们看看它的表现如何。