通过 Hive 或 Impala 或 Pig 中的字符串匹配连接表

Posted

技术标签:

【中文标题】通过 Hive 或 Impala 或 Pig 中的字符串匹配连接表【英文标题】:Join table by string matching in Hive or Impala or Pig 【发布时间】:2016-12-09 04:11:28 【问题描述】:

我有两个表 AB,其中 B 很大(2000 万乘 300),A 大小适中(300k x 10)。 A 包含一列地址,B 包含 3 列,可以将它们放在一起形成正确的街道地址。例如,A 中的地址列可以是:

id  | Address
-----------
233 | 123 Main St

B 中我们可以:

Number  |  Street_name  | Street_suffix | Tax
------------------------------------------------
123     |  Main         | Street        | 320.2

我想使用类似于LIKE 的字符串匹配加入它们,如下所示:

select A.id, B.Tax
from A
  left join B
    on A.Address **contains** B.Number
    and A.Address **contains** B.Street_name;

基本上我试图通过说如果A 的地址包含B 的号码和街道名称来匹配记录,那么我说它们是相同的地址(实际上,我也有城市、州和邮政编码。但出于说明目的,我选择忽略这些)。

2 contains 部分是我不知道如何实现的东西。有什么想法吗?

我在 Cloudera 的 Hue Hadoop 发行版上,在那里我可以访问 Hive(1.1.0,不幸的是因为 1.2.0 具有 Levenshtein 距离函数)、Impala (v2.3.0) 和 Pig (0.12.0-cdh5.5.0) .

【问题讨论】:

【参考方案1】:

您只能在相等条件下使用连接,但是 - 您可以交叉加入过滤

select      A.id, B.Tax
from        A cross join B
where       concat(' ',A.Address,' ') like concat('% ',cast(B.Number as string),' %')
        and concat(' ',A.Address,' ') like concat('% ',B.Street_name,' %')
;

演示

hive> create table A (id int,Address string);
OK
hive> create table B (number int,Street_name string,Street_suffix string,tax decimal(12,2));
OK
hive> insert into A values (233,'123 Main St');
Query ID = ...
OK
hive> insert into B values (123,'Main','Street',320.2);
Query ID = ...
OK
hive> select      A.id, B.Tax
    > from        A cross join B
    > where       concat(' ',A.Address,' ') like concat('% ',cast(B.Number as string),' %')
    >         and concat(' ',A.Address,' ') like concat('% ',B.Street_name,' %')
    > ;
Warning: Map Join MAPJOIN[8][bigTable=b] in task 'Stage-3:MAPRED' is a cross product
Query ID = ...
OK
233 320.2
hive> 

【讨论】:

【参考方案2】:

Hive 连接有限制,您只能在相等条件下使用连接。

https://cwiki.apache.org/confluence/display/Hive/LanguageManual+Joins

如果您可以在逻辑上分解 A.Address 列以使其与表 B 列格式匹配,那么您可以在该列上使用连接 ....

【讨论】:

【参考方案3】:

首先,hive 中的 JOIN 只适用于相等条件

Refer here

所以你可以试试下面的like和concat操作的where条件

select A.id, B.Tax
from A,B where A.Address LIKE CONCAT('%',cast(B.Number as string),'%') 
               AND
               A.Address LIKE CONCAT('%',B.Street_name,'%')

【讨论】:

以上是关于通过 Hive 或 Impala 或 Pig 中的字符串匹配连接表的主要内容,如果未能解决你的问题,请参考以下文章

大数据分析处理框架——离线分析(hive,pig,spark)近似实时分析(Impala)和实时分析(stormspark streaming)

Pig 和/或 Hive 中的 Chararray 和 Bytearray 到底有啥区别?

Hive 或 Pig 动态表

如何对 hdfs 中的数据进行加密,然后创建 hive 或 impala 表进行查询?

hive 或 impala 中的计算表统计信息如何加速 Spark SQL 中的查询?

HIVE 或 PIG 作为 Amazon Redshift 的替代品?