假设一个场景:存在表user_score,该表的数据如下
id | rate | score |
1 | '0-4' | 10 |
2 | '0-4' | 40 |
3 | '0-4' | 30 |
4 | '0-4' | 20 |
5 | '5-10' | 10 |
6 | '5-10' | 40 |
7 | '5-10' | 30 |
8 | '5-10' | 20 |
9 | '11-20' | 10 |
10 | '11-20' | 40 |
11 | '11-20' | 30 |
12 | '11-20' | 20 |
现在要求用一条查询语句取出每种rate下score最大的两条记录,也就算取出id为:2,3,6,7,10,11的记录,要求分别给出SQL和HIVESQL的查询语句
以下是我的想到的方案:
SQL:对user_score根据rate进行分区后根据score进行倒序排序,然后应用row_number函数于每个分区从而筛选出每个分区的前两条记录。
- WITH pus AS (
- SELECT *, rid = ROW_NUMBER() OVER
- (PARTITION BY rete ORDER BY score DESC) FROM user_score
- )
- SELECT id, rate, score FROM pus WHERE rid <= 2
HIVESQL: HIVE中不存在以上SQL的那种实现方式,ROW_NUMBER()在HIVE中是一个函数,必须带一个或者多个列参数,如ROW_NUMBER(col1, ....),它的作用是按指定的列进行分组生成行序列,在ROW_NUMBER(a,b) 时,若两条记录的a,b列相同,则行序列+1,否则重新计数。因为HIVE是基于MAPREADUCE的,必须保证ROW_NUMBER执行是在REDUCE中,并且ROW_NUMBER中使用的列中,列值相同的记录要再同一个reduce中,否则ROW_NUMBER的行为是无意义的。
- SELECT id, rate, score FROM(SELECT * FROM user_score DISTRIBUTE BY rate SORT BY rete ASC, score DESC) WHERE ROW_NUMBER(rete) <= 2
这里有两点需要说明:
- 使用子查询保证ROW_NUMBER在reduce端执行。
- 使用BY rate SORT BY rete ASC, score DESC 来保证rate相同的记录被分配到相同的REDUCE中。