hive case when 和osort by 和group by使用记录

1、 当某个字段应用了case when 条件并且使用了or， 且where查询条件的里正好有该字段，查询结果会出错

针对查询一出现问题，修改下SQL， 将case when then else end, 改成case when then when then else end即可

2、

Order by 能够预期产生完全排序的结果，但是它是通过只用一个reduce来做到这点的。所以对于大规模的数据集它的效率非常低。在很多情况下，并不需要全局排序，此时可以换成Hive的非标准扩展sort by。Sort by为每个reducer产生一个排序文件。在有些情况下，你需要控制某个特定行应该到哪个reducer，通常是为了进行后续的聚集操作。Hive的distribute by 子句可以做这件事。

[sql]  view plain copy print ?

1. // 根据年份和气温对气象数据进行排序，以确保所有具有相同年份的行最终都在一个reducer分区中  
2.   
3. From record2  
4. select year, temperature  
5. distribute by year  
6. sort by year asc, temperature desc;  

因此，distribute by 经常和 sort by 配合使用。

3、

遇到这么一个需求，输入数据为一个ID对应多个name，要求输出数据为ID是唯一的，name随便取一个就可以。

执行以下hive ql语句：

SELECT sid,
  class_id FROM table2 GROUP BY sid ;

SELECT    sid ,    class_id FROM    table2 GROUP BY sid ;

会报错：

FAILED: Error in semantic analysis: Line 1:18 Expression not in GROUP BY key 'class_id'

FAILED : Error in semantic analysis : Line 1 : 18 Expression not in GROUP BY key'class_id'

查了一下，HIVE有这么一个函数：

collect_set(col)
返回类型：array
解释：返回一个去重后的对象集合

collect_set ( col ) 返回类型： array 解释：返回一个去重后的对象集合

将上述的QL语句改一下：

select sid,collect_set(class_id) from table2 group by sid;

select sid , collect_set ( class_id ) from table2 group by sid ;

结果是这样的：

1 [11,12,13] 2 [11,14] 3 [12,15] 4 [12,13] 5 [16,14] 7 [13,15]

1 [ 11 , 12 , 13 ] 2 [ 11 , 14 ] 3 [ 12 , 15 ] 4 [ 12 , 13 ] 5 [ 16 , 14 ] 7 [ 13 , 15 ]

这个时候，我们就可以针对第二列做一些计数、求和操作，分别对应到Hive的聚合函数count、sum。

对应到本文的目的，直接从数组获取第一个元素就达到目的了，这样做：

select sid,collect_set(class_id)[0] from table2 group by sid;

select sid , collect_set ( class_id ) [ 0 ] from table2 group by sid ;

结果如下：

1 11
2 11
3 12
4 12
5 16
7 13

1 11 2 11 3 12 4 12 5 16 7 13

总结：

1. Hive不允许直接访问非group by字段；
2. 对于非group by字段，可以用Hive的collect_set函数收集这些字段，返回一个数组；
3. 使用数字下标，可以直接访问数组中的元素；