一、背景
SQL几乎是初级分析师80%的工作内容，当然在我的规划里，中级分析师已经要做好维度建模工作以及最好有OLAP系统工具啥的，或者已经能主动分析写文章了，尽量减少SQL的无效使用。这是我自己的定位，其他人可能不一样。
anyway，SQL对分析师来说是一项很棒的工具。Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供类SQL查询功能。[1]HQL即Hive SQL，相对MySQL 函数更多更复杂一些。
在查询能使用哪个函数时，通常有三种情况：
1）记得某个函数名，但忘了参数怎么用，索引是函数名；
2）想要实现某个目的，不太清楚有什么函数能实现，索引是函数的作用；
3）想实现某个较为复杂的目的，不太清楚组合哪些函数能实现，这里通常涉及多个函数，索引是使用案例。
所以在后续汇总表中，前四列会体现这个问题。
本篇文章主要介绍几个部分：
1）数仓同步表与事务型数据库表的不同；
2）HQL语法；
3）工作中常用到的函数；
4）以使用案例作为函数作用名的案例汇总；
5）比较高阶的函数；
6）对照官网函数手册汇总的函数大全。
二、数仓同步表
与MySQL这种事务型数据库不同的是，数据仓库是一个面向主题的（Subject Oriented）、集成的（Integrate）、相对稳定的（Non-Volatile）、反映历史变化（Time Variant）的数据集合，用于支持管理决策。前三个性质且不说，最后一个反映历史变化的是如何体现的呢？这在于同步线上事务表的方式。
线上表同步下来有三种方式，增量表、全量表、拉链表。
另外提一下，数仓都是在凌晨两三点T+1同步；数据表除了字段外，数仓还有个分区的概念，用于快速取某一块的数据，通常日期dt会作为分区，其他例如业务类型啥的也可以作为分区，分区可以理解为是一种方便快速取数的索引。查看表分区的语句是
show partitions 库名.表名
增量表
增量表即在第一天全量同步线上事务表到昨天的分区，之后每天只同步那些创建时间、更新时间是昨天的记录到昨天的分区。
如果某些表不会对记录进行更新，比如日志，进行增量同步就正常使用即可；
如果某些表会对记录进行更新，那么取当前状态就必须对记录主键ID按更新时间排序取最后一条记录；
取历史某一天快照就限制dt<=那天取最后一天记录；
取每天的状态就需要辅助日期表left join on 1=1 where 日期表.dt<=增量表.dt，再对记录按辅助日期表日期和更新时间排序，取辅助日期表日期的最后一条更新记录作为每天状态即可。
全量表
即每天都把线上事务表数据全量同步到昨天的分区。
取当前状态直接取昨天分区，取历史某一天快照就限制dt=那一天即可，取每一天状态限制dt在需要的一段时间即可。
拉链表
较难理解，其线上事务表通常是会对记录进行更新的。线下表通常有三个分区，dp、start_date（或dt）、end_date。dp有两个值，ACTIVE和EXPIRED，分别表示有效和过期，即该记录当前是有效的状态和该记录是过期的记录（历史的状态）；start_date表示该记录从哪一天开始有效，end_date表示该记录从哪一天无效。
拉链表在同步的第一天全量同步线上事务表(同步的第一天是无法保留该天之前的状态的)，之后的每天会把新纪录(一般创建时间是昨天)直接同步（dp=‘ACTIVE’ and start_date=昨天 and end_date='9999-12-31'），把老记录但有更新(通常创建时间更早，更新时间是昨天)的老记录设置为过期（dp=‘EXPIRED’ and end_date=昨天）并新增一条更新后记录（dp=‘ACTIVE’ and start_date=昨天 and end_date='9999-12-31'）。
所以拉链表取当前状态只需要限制dp=‘ACTIVE’(或者start_date <=昨天 and end_date >昨天)即可；
取历史某一天的状态限制start_date <=那一天 and end_date >那一天(这可能较难理解，start_date <=那一天表示去除这天之后同步的新记录，end_date >那一天表示去除这天之前过期的）；
取每一天状态就需要辅助日期表left join on 1=1 where 日期表.dt<=增量表.start_date and end_date>日期表.dt，以辅助表日期作为每天状态即可。
三、语法
略
四、常用函数
注：F&C指的是函数或使用案例，只是本文的设定。
| F&C | 分类 | 作用 | 函数名 | 语法 | 参数 | 返回 | 理解 | 应用场景 | 使用例子 |
| F | 通用 | 返回多个值中第一个非空值 | coalesce | coalesce(expression_1, expression_2, ...,expression_n) | n个字符串或表达式 | 第一个非空值 | 返回参数中的第一个非空值；如果所有值都为NULL，那么返回NULL | 1）不希望字段显示NULL，设一个默认值；2）一个目标值可能在多个地方，取出来多个值返回不为空的一个。 | |
| F | 聚合 | 列值合并成一个集合(去重) | collect_set | collect_set (col) | 某字段名 | 数组 | 将某列值去重后，以逗号分隔合并成一个数组 | 1）参加哪些活动组合、买过哪些商品组合、浏览过哪些模块组合的用户分布；2）用于手动计算活动重合率。 | |
| F | 聚合 | 列值合并成一个集合(不去重) | collect_list | collect_list(col) | 某字段名 | 数组 | 将某列值以逗号分隔合并成一个数组 | 1）用于聚合用户前n个行为路径 | |
| F | 数组函数 | 对数组升序排序 | sort_array | sort_array(Array<T>) | 数组 | 数组 | 对数组升序排序 | 1）对collect_set出来的数组排序 | |
| F | 数值函数 | 取余数 | pmod | pmod(int a, int b),pmod(double a, double b) | 被除数,除数 | 余数 | 返回正的a除以b的余数 | 1）在ab测试中辅助取用户尾号积偶数；2）取指定余数。 | |
| F | 日期函数 | 返回下一个星期X对应的日期 | next_day | next_day(string start_date, string day_of_week) | 日期,指定星期X | 下一个周几 | 返回日期的下一个星期X对应的日期，其中day_of_week参数可以是星期X英语的前2个、3个或全写的大写字符 | 1）hive给定函数getweek是周日-周六为一周，想要周一-周日为一周，只需指定下周一的日期即可(每周一至周日都会返回下一周的周一日期)。 | date_sub(next_day('2019-03-03','MONDAY'),1) |
五、使用案例
注：本节以“使用目的”作为索引写在“作用”一列上。
| F&C | 分类 | 作用 | 函数名 | 语法 | 参数 | 返回 | 理解 | 应用场景 | 使用例子 |
| C | 日期函数 | 返回星期几 | pmod,datediff | pmod(datediff(dt, '2019-02-11'), 7)+1 | '2019-02-11'是随意设置的某个比dt小的周一的日期,dt是指定的日期 | 1-7 | 首先datediff求出指定日期与之前某个周一的间隔日期，再除以7取余数得到0-6，最后+1即映射到周一-日 | 1）指定取星期几； 2）需要表头显示星期几 | |
| C | 日期函数 | 时间戳返回日期格式 | from_unixtime,cast | from_unixtime(cast(substring(updatetime,1,10) as bigint),'yyyy-MM-dd HH:mm:ss') as updatetime | updatetime是输入的时间戳列名 | 日期格式 | from_unixtime(bigint unixtime[, string format]) 将bigint型时间戳转化为指定format的日期，cast将时间戳字符串转化成bigint型 | 1）经常遇到HDFS里存的时间格式是字符串型的时间戳，需要转为日期格式 |
六、高阶函数
1.窗口和分析型函数
窗口和分析型函数解决的是时间序列相关的系列问题，比如每个城市
2.复杂JSON解析
参考资料：[2] [3][4]
七、函数大全
英文网址：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+UDF
中文参考：https://www.cnblogs.com/MOBIN/p/5618747.html
后续会整理出中文大全。
八、案例附录
参考资料：
[1].会飞的猪仔.Hive详解
[2].yugouai.HIVE 窗口及分析函数 应用场景
[3].张吉的博客.Hive 窗口与分析型函数
[4].官网.LanguageManual WindowingAndAnalytics （讲真，官网太水了）
120
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
