我有以下的蜂巢蜂巢获得A组前N个记录被查询
用户ID,用户名,用户地址,点击次数,展示次数,页面ID,页面名称
我表需要找出前5名用户[用户ID,用户名,用户地址]按点击每一页[第-ID,页面名称]
我明白,我们需要先将由[PAGE- id,page-name]以及我希望通过[点击次数,展示次数] desc排序的每个组内,然后每个页面仅发布前5位用户[用户名,用户名,用户地址],但我发现很难构建查询。
我们如何使用HIVE UDF来做到这一点?
我有以下的蜂巢蜂巢获得A组前N个记录被查询
用户ID,用户名,用户地址,点击次数,展示次数,页面ID,页面名称
我表需要找出前5名用户[用户ID,用户名,用户地址]按点击每一页[第-ID,页面名称]
我明白,我们需要先将由[PAGE- id,page-name]以及我希望通过[点击次数,展示次数] desc排序的每个组内,然后每个页面仅发布前5位用户[用户名,用户名,用户地址],但我发现很难构建查询。
我们如何使用HIVE UDF来做到这一点?
您可以用等级做()UDF描述这里:http://ragrawal.wordpress.com/2011/11/18/extract-top-n-records-in-each-group-in-hadoophive/
SELECT page-id, user-id, clicks
FROM (
SELECT page-id, user-id, rank(user-id) as rank, clicks
FROM mytable
DISTRIBUTE BY page-id, user-id
SORT BY page-id, user-id, clicks desc
) a
WHERE rank < 5
ORDER BY page-id, rank
修订的答案,修复bug由@Himanshu Gahlot
SELECT page-id, user-id, clicks
FROM (
SELECT page-id, user-id, rank(page-id) as rank, clicks FROM (
SELECT page-id, user-id, clicks FROM mytable
DISTRIBUTE BY page-id
SORT BY page-id, clicks desc
) a) b
WHERE rank < 5
ORDER BY page-id, rank
注意提到,秩() UDAF应用于page-id列,其新值用于重置或增加等级计数器(例如每个页面分区的重置计数器)
酷..它保存了我的搜索:) – minhas23 2016-01-11 19:48:29
从Hive 0.11开始,您可以通过s使用Hive内置的rank()函数并使用更简单的语义使用Hive's built-in Analytics and Windowing functions。可悲的是,我找不到像我喜欢的那样多的例子,但它们确实非常有用。使用这些,均居()和WhereWithRankCond是建立在,所以你可以这样做:需要
SELECT page-id, user-id, clicks
FROM (
SELECT page-id, user-id, rank()
over (PARTITION BY page-id ORDER BY clicks DESC) as rank, clicks
FROM my table
) ranked_mytable
WHERE ranked_mytable.rank < 5
ORDER BY page-id, rank
没有UDF,只有一个子查询!此外,所有的排名逻辑都是本地化的。
您可以在这些功能in this Jira和this guy's blog上找到更多(尽管不够我喜欢)的功能。
您可以使用each_top_k
function的hivemall
在Apache Hive上进行高效的top-k计算。
select page-id, user-id, clicks from ( select each_top_k(5, page-id, clicks, page-id, user-id) as (rank, clicks, page-id, user-id) from ( select page-id, user-id, clicks from mytable DISTRIBUTE BY page-id SORT BY page-id ) t1 ) t2 order by page-id ASC, clicks DESC
相比运行在蜂房的top-k查询(例如,distributed by/rank
)的其他方法时,因为它不保持中间结果整个排名的each_top_k
UDTF是非常快的。
让我们假设你的数据看起来像以下:
page-id user-id clicks
page1 user1 10
page1 user2 10
page1 user3 9
page1 user4 8
page1 user5 7
page1 user6 7
page1 user7 6
page1 user8 5
page2 user1 20
page2 user2 19
page2 user3 18
下面的查询会给你:
SELECT page-id, user-id, clicks, rank
FROM (
SELECT page-id, user-id, rank()
over (PARTITION BY page-id ORDER BY clicks DESC) as rank, clicks
FROM your_table
) ranked_table
WHERE ranked_table.rank <= 5
结果:
page-id user-id clicks rank
page1 user1 10 1
page1 user2 10 1
page1 user3 9 3
page1 user4 8 4
page1 user5 7 5
page1 user6 7 5
page2 user1 20 1
page2 user2 19 2
page2 user3 18 3
因此,对于第1页你得到6用户,因为点击次数相同的用户排名相同。
但是,如果您正在寻找5个用户,并且随机选择多个用户属于同一个等级。您可以使用下面的查询
SELECT page-id, user-id, clicks, rank
FROM (
SELECT page-id, user-id, row_number()
over (PARTITION BY page-id ORDER BY clicks DESC) as rank, clicks
FROM your_table
) ranked_table
WHERE ranked_table.rank <= 5
结果:
page-id user-id clicks rank
page1 user1 10 1
page1 user2 10 2
page1 user3 9 3
page1 user4 8 4
page1 user5 7 5
page2 user1 20 1
page2 user2 19 2
page2 user3 18 3
嗨马克西姆,对不起打扰你这样。我也有类似的问题。我已经发布了SO,但没有得到任何好的反应,因为我正在与Hive一起工作,而HiveQL对我来说是新的。 [http://stackoverflow.com/questions/11405446/find-10-latest-record-for-each-buyer-id-for-yesterdays-date](http://stackoverflow.com/questions/11405446/find- 10 - 最新记录换每个买方-ID换昨日最新)。这对我很有帮助。 – ferhan 2012-07-10 22:18:11
我只是放了几个小时做这项工作,但它没有奏效。错误在于你先排名然后再做DISTRIBUTE BY和SORT BY。相反,您应该在外部查询中应用排名,并在内部查询中使用DISTRIBUTE BY和SORT BY。例如,SELECT page-id,user-id,点击FROM(SELECT page-id,user-id,rank(user-id)as rank,点击FROM(SELECT * FROM mytable DISTRIBUTE BY page-id,user-id SORT BY page-id,user-id,点击DESC)a)b WHERE rank <5 ORDER BY page-id,rank; – 2013-03-19 21:30:53
确认@HimanshuGahlot是正确的。答案有* BUG *!您必须在外部查询中使用rank(),并在内部查询中使用DISTRIBUTE/SORT BY! – 2013-04-04 07:43:27