Hive实战(3)：Hive 函数(5)HiveSQL 高阶函数合集实战（三）Cube相关、字符相关

来源：https://mp.weixin.qq.com/s/PLWovsMDxO0wUrDTMaOh4w

Cube相关

GROUPING SETS：使用频率 ★

类似于kylin中的cube，将多种维度进行组合统计；在一个GROUP BY查询中,根据不同维度组合进行聚合，等价于将不同维度的GROUP BY结果集进行UNION ALL

 1 --按照用户+访问日期统计统计次数
 2 select 
 3  user_id, 
 4  visit_date,
 5  sum(visit_cnt) as visit_cnt
 6 from wedw_tmp.tmp_url_info
 7 group by user_id,visit_date
 8 grouping sets(user_id,visit_date)
 9
10 --下图的结果类似于以下sql
11 select 
12   user_id, 
13   NULL as visit_date,
14   sum(visit_cnt) as visit_cnt
15 from wedw_tmp.tmp_url_info
16 union all 
17 select 
18  NULL as user_id, 
19  visit_date,
20  sum(visit_cnt) as visit_cnt
21 from wedw_tmp.tmp_url_info
22 union all 
23 select 
24  user_id, 
25  visit_date,
26  sum(visit_cnt) as visit_cnt
27 from wedw_tmp.tmp_url_info

字符相关

concat：使用频率 ★★★★★

字符拼接，concat(string|binary A, string|binary B…);该函数比较简单

1select concat('a','b','c') 
2--最后结果就是abc

concat_ws：使用频率 ★★★★★

按照指定分隔符将字符或者数组进行拼接；concat_ws(string SEP, array)/concat_ws(string SEP, string A, string B…)

1 --还是concat使用的例子，这里可以写成
2 select concat_ws('','a','b','c')
3
4 --将数组列表元素按照指定分隔符拼接，类似于python中的join方法
5 select concat_ws('',array('a','b','c'))

instr：使用频率 ★★★★

查找字符串str中子字符串substr出现的位置，如果查找失败将返回0，如果任一参数为Null将返回null，注意位置为从1开始的；通常笔者用这个函数作为模糊查询来查询

1 --查询vist_time包含10的记录
2 select 
3  user_id,
4  visit_time,
5  visit_date,
6  visit_cnt
7 from wedw_tmp.tmp_url_info
8 where instr(visit_time,'10')>0

length：使用频率 ★★★★★

统计字符串的长度

1select length('abc')

size:使用频率 ★★★★★

是用来统计数组或者map的元素，通常笔者用该函数用来统计去重数（一般都是通过distinct，然后count统计，但是这种方式效率较慢）

 1--使用size
 2 select 
 3   distinct size(collect_set(user_id) over(partition by year(visit_date)))
 4 from wedw_tmp.tmp_url_info
 5+-----------+--+
 6| user_cnt  |
 7+-----------+--+
 8| 4         |
 9+-----------+--+
101 row selected (0.268 seconds)
11
12--使用通过distinct，然后count统计的方式
13 select 
14  count(1)
15 from 
16 (
17  select 
18    distinct user_id
19  from wedw_tmp.tmp_url_info 
20 )t
21+-----------+--+
22| count(1)  |
23+-----------+--+
24| 4         |
25+-----------+--+
261 row selected (0.661 seconds)
27
28--笔者这里只用到了19条记录数，就可以明显观察到耗时差异，这里涉及到shuffle问题，后续将会有单独的文章来讲

trim：使用频率 ★★★★★

将字符串前后的空格去掉，和java中的trim方法一样，这里还有ltrim和rtrim,不再讲述了

1 --最后会得到sfssf sdf sdfds
2 select trim(' sfssf sdf sdfds ') 

regexp_replace：使用频率 ★★★★★

regexp_replace(string INITIAL_STRING, string PATTERN, string REPLACEMENT)

按照Java正则表达式PATTERN将字符串中符合条件的部分成REPLACEMENT所指定的字符串，如里REPLACEMENT空的话，抽符合正则的部分将被去掉

1--将url中？参数后面的内容全部剔除
2  select 
3    distinct regexp_replace(visit_url,'\?(.*)','') as visit_url
4  from wedw_tmp.tmp_url_info

regexp_extract：使用频率 ★★★★

regexp_extract(string subject, string pattern, int index)

抽取字符串subject中符合正则表达式pattern的第index个部分的子字符串，注意些预定义字符的使用

类型于python爬虫中的xpath，用于提取指定的内容

1--提取csdn文章编号
2 select 
3    distinct regexp_extract(visit_url,'/details/([0-9]+)',1) as visit_url
4  from wedw_tmp.tmp_url_info 

substring_index：使用频率 ★★

substring_index(string A, string delim, int count)

截取第count分隔符之前的字符串，如count为正则从左边开始截取，如果为负则从右边开始截取

 1 --比如将2020年的用户组合获取前2个用户,下面的sql将上面讲解的函数都结合在一起使用了
 2 select 
 3  user_set,
 4  substring_index(user_set,',',2) as user_id
 5 from  
 6(
 7  select 
 8    distinct concat_ws(',',collect_set(user_id) over(partition by year(visit_date))) as user_set
 9  from wedw_tmp.tmp_url_info 
10 )t