Hive实现oracle的Minus函数

在Oracle中minus运算的主要功能是： 在进行两个表格或者两个查询结果的时候，返回在第一个表格/查询结果中与第二个表格/查询结果不同样的记录。

结果不同样的记录包括两种情况：A，B 表中某一行的内容不同和A表中的数据在B表中不存在。总之返回的是A表的数据。

Hive中没有实现minus功能的函数，仅仅好分步实现。

一、找出在Ａ表中的数据在Ｂ表中不存在的数据

insert overwrite table tmp_Ａ partition(name='Ａ_innot_B')

select 

                  a.*

from A a left outer join  B b on (a.id = b.id)  where b.id is NULL; 

二、找出在A表和B表都存在但内容不同的数据

ＵＤＦ函数例如以下：

public class Minus extends UDF{

String Ａ="";

String Ｂ="";

public Text evaluate(String... strs){

for(int i=0;i<strs.length/2;i++){

Ａ=Ａ+strs[i];

}

for(int i=strs.length/2;i<strs.length;i++){

Ｂ=Ｂ+strs[i];

}

if(Ａ.replace(" ", "").equals(Ｂ.replace(" ", ""))){

return new Text("NULL");

}else{

return new Text(strs[0].replace(" ", ""));

}

}

相应的查询例如以下：

insert overwrite table tmp_Ａ_diff

select iminus(

                       a.*,b.*

     ) from A a join B b on (a.id=b.id);

上面的sql会执行Minus的java程序，改程序语句中有循环。假设数据量非常大非常耗时间。job进度卡着不动。也能够使用hive自带的函数实现

insert overwrite table tmp_Ａ_diff
select if(
        regexp_replace(
                  concat(                        
                        a.*
                        ),
                          " ","")
       =
        regexp_replace(
                 concat(
                        b.*
                        ),
                          " ","")
       ,NULL,b.id)
    from A a
             join 
         B b 
             on (a.id=b.id);

这样效率好些。

tmp_A_diff存储的是A表和B表都存在但内容不同的数据的id和一些“NULL”。

依据id获得每行数据

insert overwrite table tmp_A partition(name="A_in_B")

select            a.*

from tmp_A_diff b join A a on (a.id=b.id);

如今tmp_A中分区A_innot_B和分区A_in_B的数据就是oracle中（select * from A）minus (select * from B)的数据。