Hive中collect相关的函数有collect_list和collect_set。
它们都是将分组中的某列转为一个数组返回,不同的是collect_list不去重而collect_set去重。
做简单的实验加深理解,创建一张实验用表,存放用户每天点播视频的记录:
1 2 3 4 5 |
create table t_visit_video (
username string,
video_name string
) partitioned by ( day string)
row format delimited fields terminated by ',' ;
|
在本地文件系统创建测试数据文件:
1 2 3 4 5 6 7 8 |
张三,大唐双龙传
李四,天下无贼
张三,神探狄仁杰
李四,霸王别姬
李四,霸王别姬
王五,机器人总动员
王五,放牛班的春天
王五,盗梦空间
|
将数据加载到Hive表:
1 |
load data local inpath '/root/hive/visit.data' into table t_visit_video partition ( day = '20180516' );
|
按用户分组,取出每个用户每天看过的所有视频的名字:
1 |
select username, collect_list(video_name) from t_visit_video group by username ;
|
但是上面的查询结果有点问题,因为霸王别姬实在太好看了,所以李四这家伙看了两遍,这直接就导致得到的观看过视频列表有重复的,所以应该增加去重,使用collect_set,其与collect_list的区别就是会去重:
1 |
select username, collect_set(video_name) from t_visit_video group by username;
|
李四的观看记录中霸王别姬只出现了一次,实现了去重效果。
突破group by限制
还可以利用collect来突破group by的限制,Hive中在group by查询的时候要求出现在select后面的列都必须是出现在group by后面的,即select列必须是作为分组依据的列,但是有的时候我们想根据A进行分组然后随便取出每个分组中的一个B,代入到这个实验中就是按照用户进行分组,然后随便拿出一个他看过的视频名称即可:
1 |
select username, collect_list(video_name)[0] from t_visit_video group by username;
|
video_name不是分组列,依然能够取出这列中的数据。
标签:username,set,group,list,collect,video From: https://www.cnblogs.com/DDDJ/p/17147939.html