Hive:UDF 和 GROUP BY

Posted

技术标签:

【中文标题】Hive:UDF 和 GROUP BY【英文标题】:Hive: UDF and GROUP BY 【发布时间】:2012-11-20 09:35:53 【问题描述】:

我有一个返回扩展名的 UDF (GetUrlExt)。 (例如:/abc/models/xyz/images/top.jpg 中的 jpg)。 数据如下图:

Date Time TimeTaken uristem  
9/5/2011 0:00:10 234 /abc/models/xyz/images/top.jpg  
9/5/2011 0:00:11 456 /abc/models/xyz/images/bottom.jpg  
9/5/2011 0:00:14 789 /abc/models/xyz/images/left.gif  
9/5/2011 0:00:16 234 /abc/models/xyz/images/top.pdf  
9/5/2011 0:00:18 734 /abc/models/xyz/images/top.pdf  
9/5/2011 0:00:19 654 /abc/models/xyz/images/right.gif  
9/5/2011 0:00:21 346 /abc/models/xyz/images/top.pdf  
9/5/2011 0:00:24 556 /abc/models/xyz/images/front.pdf  
9/5/2011 0:00:26 134 /abc/models/xyz/images/back.jpg

没有“GROUP BY”的查询工作正常:

SELECT GetUrlExt(uristem) AS extn FROM LogTable; 

结果: jpg jpg gif pdf pdf gif pdf pdf jpg

现在我需要对 GetUrlExt UDF 的结果使用“GROUP BY”。 预期结果:jpg 3 274.6 gif 2 721.5 pdf 4 467.5

但以下查询不起作用:

SELECT GetUrlExt(uristem) AS extn, Count(*) AS PerCount, Avg(TimeTaken) AS AvgTime FROM LogTable GROUP BY extn;

感谢任何形式的帮助!

【问题讨论】:

【参考方案1】:

请使用子查询进行分组。

Hive 不支持直接按计算值分组。

SELECT a.extn, Count(*) AS PerCount, Avg(TimeTaken) AS AvgTime 
FROM
(
    SELECT GetUrlExt(uristem) AS extn, TimeTaken
    FROM LogTable 
) a
GROUP BY a.extn;

【讨论】:

您可以按计算值分组,只是无法使用函数为applied 的列别名。所以可以指定GROUP BY GetUrlExt(uristem),但子查询可能更好。 谢谢,两者在执行时间上没有太大差异。【参考方案2】:

您可以启用 group by 别名,或者您需要 group by 中的整个语句

SELECT GetUrlExt(uristem) AS extn, Count(*) AS PerCount, Avg(TimeTaken) AS AvgTime 
FROM LogTable 
GROUP BY GetUrlExt(uristem);

【讨论】:

以上是关于Hive:UDF 和 GROUP BY的主要内容,如果未能解决你的问题,请参考以下文章

sql 选择每个GROUP BYgroup中的第一行

使用 Hive UDF 计算权重因子

Hive自定义函数UDF和UDTF

Hive:Hive UDF 中 CREATE FUNCTION 和 CREATE TEMPORARY FUNCTION 之间的区别

如何写hive的udf函数

Hive学习之五 《Hive进阶—UDF操作案例》 详解