问题解决：Hive中双count(distinct)过慢的问题

最新推荐文章于 2024-07-14 15:47:44 发布

原创最新推荐文章于 2024-07-14 15:47:44 发布 · 5.3k 阅读

4 ·

CC 4.0 BY-SA版权

Hadoop 专栏收录该内容

4 篇文章

订阅专栏

本文介绍了一种在Hive中优化包含多个count(distinct)查询的方法，通过增加中间字段并使用case when语句将操作分散到不同的MapReduce任务中，以此提高查询效率。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

这里说的双count(distinct)是指类似下面的语句

select day,count(distinct session_id),count(distinct user_id) from log a group by day;

如果要执行这样的语句，前提必须设置参数:set hive.groupby.skewindata=true;

我们可以用“空间换时间”的思路解决问题：

select day,
count(case when type='session' then 1 else null end) as session_cnt, 
count(case when type='user' then 1 else null end) as user_cnt
from(
	select day,session_id,type from (
		select day,session_id,'session' as type from log
		union all
		select day user_id,'user' as type
		from log
	)
	group by day,session_id,type ) t1
group by day

这里的type字段完全是自己定义的，目的就是通过多余的空间，将“查值”、“去重”、“累加1”操作分散到不同的mr任务里面去，起到提速的效果。

注意，type的取值个数和原语句中有几个count(distinct)是一致的，和session_id、user_id有多少种取值没关系。