问题解决:Hive中双count(distinct)过慢的问题

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。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值