5. Hive的三种去重方法

Hive的三种去重方法

1. distinct

-- 语法

SELECT DISTINCT column1, column2, ...
FROM table_name;

注意事项：

• distinct 不能单独用于指定某一列，必须放在 select 中所有字段的最前面，否则会报错

  select column1, distinct column2, column3 
  from table_name;
  
  -- 报错信息
  
  类似于 "cannot recognize input near 'DISTINCT' 'column2' 'column3'" 的语法错误
  

• distinct 是对 select 后面所有字段的组合进行去重，并不是只对紧跟其后的 column1 去重。distinct 的作用范围是整个 SELECT 子句的结果集

• distinct 对 NULL 是不进行过滤的，即返回的结果中包含NULL值

  with t1 as (
      select 'a' as name
      union all
      select 'b' as name
      union all
      select NULL as name
      union all
      select NULL as name
  )
  
  select distinct name
  from t1;
  
  -- output:
  
  b
  NULL
  a
  

• 当对大数据集进行去重时，使用 DISTINCT 需要考虑性能影响（效率较慢）

2. group by

-- 语法

SELECT column1, column2, aggregate_function(column3)
FROM table_name
WHERE condition
GROUP BY column1, column2

注意事项：

• distinct 与 group by 的关系？

  SELECT DISTINCT colA, colB 
  FROM table1;
  
  -- 等价于
  
  SELECT colA, colB 
  FROM table1
  GROUP BY colA, colB;
  

• 在实现去重时，group by 是对 group by 后面所有字段的组合进行去重，并不是只对紧跟其后的 colA 去重。

3. row_number()

-- 语法

SELECT column1, column2, ..., ROW_NUMBER() OVER (PARTITION BY column1 ORDER BY column2) as row_num
FROM table_name
WHERE condition;

使用 row_number() 实现去重操作

-- 对 column1 进行去重

SELECT column1
FROM (
  SELECT column1 ROW_NUMBER() OVER (PARTITION BY column1) as row_num
  FROM table_name
) t
WHERE row_num = 1;

-- 对 column1、column2 进行去重

SELECT column1,column2
FROM (
  SELECT column1,column2 ROW_NUMBER() OVER (PARTITION BY column1,column2) as row_num
  FROM table_name
) t
WHERE row_num = 1;

4. 三者的效率对比

在 Hive 中，使用 distinct、group by 和 row_number() 实现去重时，它们的效率会受到多个因素的影响，包括数据规模、数据分布、查询条件等。

一般情况下，distinct 的效率相对较低，因为它需要对整个结果集进行扫描和比较，以去除重复行。尤其是当数据量较大时，distinct 可能会对性能产生较大的影响。因此，使用 distinct 去重时需要谨慎考虑其性能开销。

相比之下，group by 在处理去重时具有更好的性能。group by 会先按照指定的列进行分组，然后在每个分组内进行聚合操作，这样可以减少比较的数据量。当数据量较大时，使用 group by 去重往往比 distinct 效率更高。

row_number() 通常用于复杂的去重需求，它能够在查询结果中为每一行生成一个唯一的序号。 row_number() 可以实现更灵活的去重操作，效率相对较高。

 

参考链接

Hive的三种去重方式对比

hive中三种去重的方法

Hive DISTINCT() for all columns?