hive rank 测试

[b]前言[/b]
最近在做数据的去重，想到一种类似于关系型数据库rank函数的方式，即获取topN（N=1）的方式，sql步骤如下：
1.数据分组，组内排序
2.对分组数据进行标记rank
3.获取rank<N的数据
[b]hive udf[/b]
hive中没有这种函数，需要自己编写udf函数，代码如下：

public final class TradeUDF extends UDF {
	private int counter;
	private String last_dp_id;
	private String last_tid;
	//多参数
	public int evaluate(String dp_id, String tid) {
		if (dp_id.equalsIgnoreCase(this.last_dp_id) && tid.equalsIgnoreCase(this.last_tid)) {
			this.counter++;
		}else{
			this.counter = 0;
			this.last_dp_id = dp_id;
			this.last_tid = tid;
		}
		return this.counter;
	}
	//一个参数
	public int evaluate(final String tid) {
		if (!tid.equals(this.last_tid)) {
			this.counter = 0;
			this.last_tid = tid;
		}
		return this.counter++;
	}
}

[b]小函数据量测试[/b]

select * from test2;
OK
a	1
a	4
a	6
b	87
b	3
b	100
c	10
d	90
d	9
a	3
a	3

SELECT a,b,rank
   FROM (SELECT a,b,rank(a) rank
                  FROM (SELECT a,b
                              FROM test2 DISTRIBUTE BY a SORT BY b desc
                            )  t1) 
              t2
   WHERE rank <1

结果：

d	90	0
a	6	0
b	87	0
c	10	0

可以看到数据是准确的。
[b]大数据来量测试[/b]
数据总量：5033768
重复数据：2516884，即一半是重复数据
结果：
4194632
可以看到数据量是不对的。
[b]原因[/b]
大数据量时，rank方式去重数据结果不准确的原因还未确定，推测原因是：
distribute sort后相同数据被分在不同数据块中，在接下来sql读取的时候，相同数据没有被读进同一个rank函数。