Hadoop/Hive Collect_list 无重复项

Question

基于 post、Hive 0.12 - Collect_list，我试图找到 Java 代码来实现一个 UDAF，它将完成这个或类似的功能，但没有重复序列。

例如，collect_all() returns 一个序列 A, A, A, B, B, A, C, C 我想要返回序列 A, B, A, C。依次重复的项目将被删除。

有谁知道 Hive 0.12 中的函数可以完成或已经编写了他们自己的 UDAF？

一如既往，感谢您的帮助。

Answer 1

如果你有这样的东西

index  value
1       A
2       A
3       A
4       B
5       B
6       A
7       c
8       c

其中索引是一些排名顺序值，例如直接索引或日期之类的东西。我假设在您的情况下顺序很重要。

然后查询：

select collect_all(value)
from
  (select index, value 
   from table) a
   left outer join
  (select index, 
     last_value(value) over (order by index row between current row and 1 following) as nextvalue 
   from table) b
  on a.index=b.index
  where value <> nextvalue
;

这里的问题是你得不到 C 的最后一个值，因为没有下一个值，所以 add 或 nextvalue 为空，你应该有结果。

select collect_all(value)
from
  (select index, value 
   from table) a
   left outer join
  (select index, 
     last_value(value) over (order by index row between current row and 1 following) as nextvalue 
   from table) b
  on a.index=b.index
  where (value <> nextvalue) or (nextvalue is null)
;

这应该会产生 ["A"、"B"、"A"、"C"]

Answer 2

我运行前段时间遇到过类似的问题。我不想写一个完整的 UDAF，所以我只是用 brickhouse collect 和我自己的 UDF 做了一个组合。假设你有这个数据

id  value
1   A
1   A
1   A
1   B
1   B
1   A
1   C
1   C
1   D
2   D
2   D
2   D
2   D
2   F
2   F
2   F
2   A
2   W
2   A

我的UDF是

package com.something;

import java.util.ArrayList;
import org.apache.hadoop.hive.ql.exec.UDF;
import org.apache.hadoop.io.Text;

public class RemoveSequentialDuplicates extends UDF {
    public ArrayList<Text> evaluate(ArrayList<Text> arr) {
        ArrayList<Text> newList = new ArrayList<Text>();
        newList.add(arr.get(0));
        for (int i=1; i<arr.size(); i++) {

            String front = arr.get(i).toString();
            String back = arr.get(i-1).toString();

            if (!back.equals(front)) {
                newList.add(arr.get(i));
            }
        }
        return newList;
    }
}

然后我的查询是

add jar /path/to/jar/brickhouse-0.7.1.jar;
add jar /path/to/other/jar/duplicates.jar;

create temporary function remove_seq_dups as 'com.something.RemoveSequentialDuplicates';
create temporary function collect as 'brickhouse.udf.collect.CollectUDAF';

select id
  , remove_seq_dups(value_array) no_dups
from (
  select id
    , collect(value) value_array
  from db.table
  group by id ) x

输出

1   ["A","B","A","C","D"]
2   ["D","F","A","W","A"]

顺便说一句，内置的 collect_list 不需要按照分组的顺序保留列表的元素； brickhouse collect 会。希望这有帮助。

Hadoop/Hive Collect_list 无重复项

Hadoop/Hive Collect_list without repeating items

hadoop

hive

hiveql