hive 大数据 除重问题研究

存量表： store
增量表:  incre

字段：
1. p_key   除重主键
2. w_sort  排序依据
3. info    其他信息

方法一(union all + row_number()over )：

insert overwrite table limao_store  
  select p_key,sort_word
    from ( select tmp1.*, row_number() over(distribute by sort_word sort by p_key desc) rownum
             from ( select *
                      from limao_store   
                    union all   
                    select *
                      from limao_incre
                   ) tmp1
         ) hh
   where hh.rownum = 1;


分析， 长表排序


方法二(left outer join + union all)：
注意：  hive 不支持 顶层 union all ,而且union all 结果必须有别名
insert overwrite table limao_store
select t.p_key,t.sort_word from (
  select s.p_key,s.sort_word from limao_store s left outer join limao_incre i on(s.p_key=i.p_key) where i.p_key=null
  union all
  select p_key,sort_word from limao_incre);
 
 

分析：  不能识别 incre中的重复数据   长表关联 ，  表宽度加倍


方法三（left outer join + insert into）

insert overwrite table store
    select s.* from store s left outer join incre i on(s.p_key=i.p_key) where i.p_key=null    
    insert into table jm_g_l_cust_secu_acct  
    select * from jm_g_l_cust_secu_acct_tmp;

  分析：  insert into 最好不用。 使用insert into 在hdfs中的表现为，在表（分区）文件夹下，建立新的文件
存放insert into数据， 造成文件碎片，降低以后该表查询效率。
    

==================================================================================


use nets_life;
create table limao_store
(
    p_key string,
    sort_word string
)ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' STORED AS TEXTFILE;

create table limao_incre
(
    p_key string,
    sort_word string
)ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' STORED AS TEXTFILE;


建表语句

use nets_life;
create table limao_store
(
    p_key string,
    sort_word string
)ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' STORED AS TEXTFILE;

create table limao_incre
(
    p_key string,
    sort_word string
)ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' STORED AS TEXTFILE;

=====================================================

================================================================================================
总结：  方法二和方法三原理相同。 方法三建议避免

方法二、方法三 暗含逻辑：
    1.增量同步数据（incre）和存量数据(store)冲突时,总是认为增量数据为最新的
    2.无论增量数据表  还是 存量数据表， 表内没有重复字段

方法一， 不暗含上述逻辑。 全部合并，严格按排序字段排名取第一

一千万数据 store 和 一百万数据 incre 测试结果

方法一：  Time taken: 317.677 seconds
方法二：  Time taken: 106.032 seconds

总结： 方法二时间使用上大幅度少于方法一，但没有内部除重功能，只能用于比较除重。
==============================================