这几天我一直在研究Hive,我们今天看一个新的知识,Hive去重复数据。
Hive数据去重
Sql代码
- insert overwrite table store
- select t.p_key,t.sort_word from
- ( select p_key,
- sort_word ,
- row_number() over(distribute by p_key sort by sort_word) as rn
- from store) t
- where t.rn=1;
说明:
- p_key为去重所依据的key,sort_word表示多个p_key的排列顺序,这个关键字将决定哪个p_key将留下。
- t 为子查询的别名,Hive需要在每个子查询后面加别名
- t.rn=1表示重复的数据只保留第一个。
- distribute by 关键字指定分发的key,同一个key将分发到同一个reducer
- sort by 是单机范围内排序,因此配合distribute by 就可以对某一个关键字排序