Hive sql去重

1、数据背景：首先，公司，2019年4月15日有335150条订单，各条订单中都有唯一的标识ID（order_id）对应一笔交易。

根据交易流程，在系统上报该交易信息时依次会有已下单、已支付、已发货、配送中、已接收、已退货、已退款等多种事务状态，而且每个事务的发生都会在Hive表中生成一条记录。因此，当天实际交易量（唯一order_id）可能只有70000单左右。

2、作业参数：在执行Hive sql作业前，需要评估原始数据量，然后配置Hive中mapper和reducer的执行参数。

set mapred.max.split.size=256000;  //每个mapper处理的最大的文件大小，单位为B
set mapred.min.split.size.per.node=256000;  //节点中可以处理的最小的文件大小，单位为B
set mapred.min.split.size.per.rack=256000;  //机架中可以处理的最小的文件大小，单位为B
set hive.exec.reducers.max=100;  //每个任务中最大的reduce数
set hive.exec.reducers.bytes.per.reducer=102400000;  //每个reducer处理的数据量，单位B

3、解决方案：

（1）distinct：distinct需要通过大量数据（如果数据集确实很大的话）之间的shuffle比较（混洗）筛选出所有唯一标识的结果集。

select distinct order_id
from db.order
where dt=‘20190405‘

• 执行日志：

MapReduce Jobs Launched: Stage-Stage-1: Map: 97  Reduce: 1   Cumulative CPU: 383.02 sec   HDFS Read: 24407412 HDFS Write: 789899 

SUCCESS 

Total MapReduce CPU Time Spent: 6 minutes 23 seconds 20 msec 

OK 

Time taken: 93.535 seconds, Fetched: 71809 row(s)

• 逻辑分析：该Hive sql作业时启动97个mapper拉取了数据库中335150条记录，然后通过1个reducer fetch所有的记录做对比去重，耗时93.535秒。

（2）group by：该方法是通过分组方式获取唯一的组，应用在去重场景下需要将标识字段（order_id）作为分组的 key，即 group by order_id。

select order_id
from db.order
where dt=‘20190405‘
group by order_id;

• 执行日志：

MapReduce Jobs Launched: Stage-Stage-1: Map: 97  Reduce: 1   Cumulative CPU: 400.63 sec   HDFS Read: 24410031 HDFS Write: 789899 

SUCCESS 

Total MapReduce CPU Time Spent: 6 minutes 40 seconds 630 msec 

OK 

Time taken: 85.937 seconds, Fetched: 71809 row(s)

• 逻辑分析：该Hive sql作业时启动97个mapper拉取了数据库中335150条记录，然后通过1个reducer fetch所有的记录做对比去重，耗时93.535秒。

（3）row number() over()：

select order_id
from
(
    select          order_id,
         row_number over(patition by order_id )  as num
    from db.order
    where dt=‘20180415‘;
) order

where num=1;

• 执行日志：

MapReduce Jobs Launched: Stage-Stage-1: Map: 97  Reduce: 1   Cumulative CPU: 458.32 sec   HDFS Read: 24298434 HDFS Write: 789899 

SUCCESS 

Total MapReduce CPU Time Spent: 7 minutes 38 seconds 320 msec 

OK

 Time taken: 100.866 seconds, Fetched: 71809 row(s)

• 逻辑分析：该Hive sql作业时同样启动97个mapper拉取了数据库中335150条记录，然后通过1个reducer fetch所有的记录并对相同分组下的记录做编号，然后取出num=1的记录，共耗时100.866秒。

1.当数据量较小时，优先考虑使用distinct，可读性强，简洁高效；

2.当数据量较大时，推荐使用group by，性能可靠，结合mapper和reducer参数设置后性能优化更佳；

3.row_number() over()窗口函数本身是为分组内排序设计的，通过num=1限制后也可以用作数据去重。