Hive 分组 Limit 非UDF方案

2019独角兽企业重金招聘Python工程师标准>>>

其实前一篇的Mysql 小技巧中having min()的方法是为了本篇准备的。但是当时遇到南墙，这次终于破壁找到方案。

描述：  id (自增),type (aaa, bbb,ccc ,ddd),status(ok,error) 三个字段，每个type，筛选status='ok'的并且id最小的那一条记录。

Mysql:

create table having_test (id int(11), type varchar(50),status varchar(50));
mysql> select * from having_test;
+------+------+--------+
| id   | type | status |
+------+------+--------+
|    1 | aaa  | ok     |
|    2 | aaa  | error  |
|    3 | aaa  | ok     |
|    4 | bbb  | ok     |
|    5 | ccc  | error  |
|    6 | ccc  | ok     |
|    7 | ddd  | error  |
+------+------+--------+


mysql> select * from having_test where status='ok' group by type having min(id);
+------+------+--------+
| id   | type | status |
+------+------+--------+
|    1 | aaa  | ok     |
|    4 | bbb  | ok     |
|    6 | ccc  | ok     |
+------+------+--------+

  mysql中很简单就实现了，先 group 然后having ，但是hive上不是完全支持sql语法的，在hive上会不会这么简单呢，答案是否定的。

HIVE 中：

create table tmp_wjk_having_test (id int,  type string, status string) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' ;
load data local inpath '/tmp/load.csv' overwrite into table tmp_wjk_having_test;   

select * from tmp_wjk_having_test; 
1    aaa     ok                                                                                                                                        
2    aaa     error                                                                                                                                     
3    aaa     ok                                                                                                                                        
4    bbb     ok                                                                                                                                        
5    ccc     error                                                                                                                                    
6    ccc     ok                                                                                                                                        
7    ddd     error 

select * from tmp_wjk_having_test where status='ok' group by type having min(id);
FAILED: Error in semantic analysis: Line 1:73 Expression not in GROUP BY key 'id'  
# hive 不支持这种写法。还是要用子查询


select * from tmp_wjk_having_test t1 join (
    select min(id) id from tmp_wjk_having_test where status='ok' group by type) t2 
on t1.id=t2.id ; 
1     aaa     ok     1
4     bbb     ok     4
6     ccc     ok     6

子查询对于小数据集没有影响，但是应用到大数据上最好的是只过一边表，然后就拿出结果。所以还在想新的方案。

select *,min(id) ii from tmp_wjk_having_test where  status='ok'  group by type ;
aaa     1     1
bbb     4     4
ccc     6     6

这种方案可行。问题点：

1.  为什么min(id)的条件明明是写到了select 中非where ，但是确起到了筛选的作用？

2.  为什么明明是select * ，min(id) 但是最后是拿到了3列(type , id , min(id) )， 如果写成 select type ,min(id) 就只拿到2列( type ,min(id) )  .

select type,min(id) ii from tmp_wjk_having_test where  status='ok'  group by type；
aaa     1
bbb     4
ccc     6

++++更新 2014.11.11

3、一般可行方案：

2列 : select type,min(id) ii from tmp_wjk_having_test where  status='ok'  group by type；
多列：select t1.* from having_test t1 join (select name,min(age) mm from having_test group by name ) t2 on t1.name = t2.name and t1.age=t2.mm ;

转载于:https://my.oschina.net/wangjiankui/blog/161664