Hive去除重复数据操作

 

Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供类SQL查询功能

hive的元数据存储：通常是存储在关系数据库如 mysql(推荐) , derby（内嵌数据库）中

hive的组成部分 ：解释器、编译器、优化器、执行器

hive具有sql数据库的外表，但应用场景完全不同，hive只适合用来做批量数据统计分析

hive中的数据表分为内部表、外部表

当删除内部表的时候，表中的数据会跟着一块删除

删除外部表时候，外部表会被删除，外部表的数据不会被删除

使用hive之前需要启动hadoop集群，因为hive需要依赖于hadoop集群进行工作（hive2.0之前）

以下是对hive重复数据处理

先创建一张测试表

建表语句：create table hive_jdbc_test (key string,value string)   partitioned by (day string) row format delimited fields terminated by ','  stored as textfile

准备的数据
　　uuid,hello=>0
　　uuid,hello=>0
　　uuid,hello=>1
　　uuid,hello=>1
　　uuid,hello=>2
　　uuid,hello=>2
　　uuid,hello=>3

把数据插入到2018-1-1分区

此时我们对hive表数据进行去重操作

insert overwrite table hive_jdbc_test partition(day='2018-1-1') 
select key,value 
from (SELECT *, Row_Number() OVER (partition by key,value ORDER BY value desc) rank 
FROM hive_jdbc_test where day='2018-1-1') t 
where t.rank=1;

此时重复数据会被处理完毕