【Hive】MapReduce 如何实现 Hive SQL 的基本操作-distinct

欢迎点击此处关注公众号。

1.3 distinct

前面提到 Hive SQL 语法本质上分为 3 类：过滤模式、聚合模式、连接模式。

• 过滤模式：例如 where、having 等；
• 聚合模式：存在 Shuffle 过程，需要特别注意；
• 连接模式：分为有 Shuffle 连接和无 Shuffle 连接。

而 distinct 兼具过滤和聚合的功能。

1.3.1 distinct 过滤

distinct 用于列投影中过滤重复的数据，在 Hive 中发生在 Reduce 阶段。在 Hive 中，下面两个 SQL 等价：

select distinct age
from stu_tb;

select age
from stu_tb
group by age;

1.3.2 distinct 聚合

如果在 Hive 中开启了 hive.map.aggr=true 配置，那么使用 distinct 子句会在前面的流程中进行数据聚合，减少流转到下游的数据量。下面的例子开启了 Map 端聚合：

set hive.map.aggr=true;
select distinct score
from stu_tb;

在 Map 阶段，进行数据局部聚合，在 Reduce 阶段进行数据全局聚合。MR 伪代码如下：

map(inkey, invalue, context):
    colsArray = invalue.split("\t")
	score = colsArray[5]
    # MR 引擎会将相同 key，即相同的 score 的值发送到同一个 combine/reduce 中处理
    context.write(score, null)
    
combine(inkey, invalues, context):
    # 抛弃 invalues，只输出 key，完成 局部 聚合
    context.write(inkey)
    
reduce(inkey, invalues, context):
    # 抛弃 invalues，只输出 key，完成 全局 聚合
    context.write(inkey)