分类

• Hive 的函数分为两大类：内置函数（Built-in-Functions）、用户自定义函数（User-Defined-Functions）；
• 内置函数可分为：数值类型函数、日期类型函数、字符串类型函数、集合函数等；
• 用户自定义函数根据输入输出的行数可分为3类：UDF、UDAF、UDTF；

内置函数

• String Function 字符串函数
• Date Function 日期函数
• Mathematical Function 数学函数
• Collection Function 集合函数
• Conditional Function 条件函数
• Type Conversion Function 类型转换函数
• Data Masking Function 数据脱敏函数
• Misc. Function 其他杂项函数

用户自定义函数

• UDF（User-Defined-Function） 普通函数，一进一出；
  例如：round 这样的函数；
  

• UDAF（User-Defined Aggregation Function）聚合函数，多进一出；
  例如：count、sum 这样的函数；
  

• UDTF（User-Defined Table-Generating Function）表生成函数，一进多出；
  例如：explode 函数
  

UDF实现步骤

0、添加 pom 依赖；

1、写一个 Java 类，集成 UDF ，并重载 evaluate 方法，方法中实现函数的业务逻辑；

2、重载意味着可以在一个 Java 类中实现多个函数功能；

3、程序打成 jar 包，上传到 HS2 服务器或者 HDFS；

4、客户端命令行中添加 jar 包到 Hive 的 classpath ：add JAR /xxx/udf.jar；

5、注册称为临时函数（给 UDF 命名）：create temporary function 函数名 as ‘UDF 类全路径’；

6、HQL 中使用函数；

Hive 常用高阶函数

UDTF explode 函数

• explode 接收 map、array 类型的数据作为输入，然后把输入数据中的每个元素拆开变成一行数据，一个元素一行；
• explode(array) 将 array 里的每个元素生成一行；
• explode(map) 将 map 里的每一对元素作为一行，其中 key 为一列，value 为一列；
• explode 执行的结果可以理解为一张虚拟的表，其数据来源于源表；

UDTF 语法限制

• 在 select 中只查询源表数据没有问题，只查询 explode 生成的虚拟表数据也没问题，但是不能在只查询源表的时候，既想返回源表字段，又想返回 explode 生成的虚拟表字段；简而言之，有两张表，不能只查询一张表但是又想返回分别属于两张表的字段；

UDTF 语法限制解决

• SQL 层面上的解决方案是：对两张表进行 join 关联查询；
• Hive 专门提供了语法 lateral View 侧视图，专门用于搭配 explode 这样的 UDTF 函数；

select a.team_name, b.year from the_nba_championship a lateral view explode(champion_year) b as year;

Lateral View 侧视图

• Lateral View 是一种特殊的语法，主要是搭配 UDTF 类型函数一起使用，用于解决 UDTF 函数的一些查询限制的问题；
• 一般只要使用 UDTF，就会固定搭配 lateral view 使用；

原理

• 将 UDTF 的结果构建成一个类似于视图的表，然后将原表中的每一行和 UDTF 函数输出的每一行进行连接，生成新的虚拟表。这样就避免了 UDTF 的使用限制问题；
• 使用 lateral view 时也可以对 UDTF 产生的记录设置字段名称，产生的字段可以用于 group by、order by limit 等语句中，不需要再单独嵌套一层子查询；
  

增强聚合函数

• 增强聚合包括 grouping sets 、cube、rollup 这几个函数。主要适用于 OLAP 多维数据分析模式中。多维分析中的多维指的分析问题时看待问题的维度、角度；

grouping_sets：
一种将多个 group by 逻辑写在一个 SQL 语句中的便利写法。等价于将不同维度的 group by 进行 union all。GROUPING_ID 表示结果属于哪一个分组集合；
例子：

SELECT month, day, COUNT(DISTINCT cookieid) AS nums, GROUPING__ID
FROM cookie_info
GROUP BY month, day GROUPING SETS (month, day)
ORDER BY GROUPING__ID;
--grouping_id 表示这一组结果属于哪个分组集合
--根据grouping sets中的分组条件month，day，1代表month，2代表day

等价于

SELECT month, NULL, COUNT(DISTINCT cookieid) AS nums, 1 AS GROUPING__ID
FROM cookie_info
GROUP BY month
UNION ALL
SELECT NULL as month, day, COUNT(DISTINCT cookieid) AS nums, 2 AS GROUPING__ID
FROM cookie_info
GROUP BY day;

cube：
cube 表示根据 group by 的维度的所有组合进行聚合，如果有n个维度，则所有组合的总个数是2^n。比如cube有a,b,c 3个维度，则所有组合情况是： (a,b,c),(a,b),(b,c),(a,c),(a),(b),©,()

SELECT month, day, COUNT(DISTINCT cookieid) AS nums, GROUPING__ID
FROM cookie_info
GROUP BY month, day
WITH CUBE
ORDER BY GROUPING__ID;

等价于

SELECT NULL, NULL, COUNT(DISTINCT cookieid) AS nums, 0 AS GROUPING__ID
FROM cookie_info
UNION ALL
SELECT month, NULL, COUNT(DISTINCT cookieid) AS nums, 1 AS GROUPING__ID
FROM cookie_info
GROUP BY month
UNION ALL
SELECT NULL, day, COUNT(DISTINCT cookieid) AS nums, 2 AS GROUPING__ID
FROM cookie_info
GROUP BY day
UNION ALL
SELECT month, day, COUNT(DISTINCT cookieid) AS nums, 3 AS GROUPING__ID
FROM cookie_info
GROUP BY month, day;

rollup
rollup 是 cube 的子集，以最左侧的维度为主，从该维度进行层级聚合。比如ROLLUP有a,b,c3个维度，则所有组合情况是：(a,b,c),(a,b),(a),()；

-- --比如，以month维度进行层级聚合：
SELECT month, day, COUNT(DISTINCT cookieid) AS nums, GROUPING__ID
FROM cookie_info
GROUP BY month, day
WITH ROLLUP
ORDER BY GROUPING__ID;

--把month和day调换顺序，则以day维度进行层级聚合：
SELECT day, month, COUNT(DISTINCT cookieid) AS uv, GROUPING__ID
FROM cookie_info
GROUP BY day, month
WITH ROLLUP
ORDER BY GROUPING__ID;

Window Function 窗口函数

• 窗口函数也叫开窗函数，OLAP 函数，其最大的特点是：输入值是从 select 语句的结果集中一行或多行的“窗口”中获取的；
• 如果函数具有 over 子句，则它是窗口函数；
• 窗口函数可以简单地解释为类似于聚合函数的计算函数，但是通过 group by 子句组合的常规聚合会隐藏正在聚合的各个行，最终输出一行，窗口函数聚合后还可以访问当中的各个行，并且可以将这些行中的某些属性添加到结果集中；

例子：通过sum聚合函数进行普通常规聚合和窗口聚合，来直观感受窗口函数的特点；

----sum+group by普通常规聚合操作------------
select sum(salary) as total
from employee
group by dept;

----sum+窗口函数聚合操作------------
select id, name, deg, salary, dept, sum(salary) over (partition by dept) as total
from employee;

窗口聚合函数

• 所谓窗口聚合函数指的是 sum、max、min、avg 这样的聚合函数在窗口中的使用；

以 sum 为例：

--1、求出每个用户总pv数  sum+group by普通常规聚合操作
select cookieid,sum(pv) as total_pv from website_pv_info group by cookieid;
--2、sum+窗口函数 总共有四种用法 注意是整体聚合 还是累积聚合
-- --sum(...) over( )对表所有行求和
-- --sum(...) over( order by ... ) 连续累积求和
-- --sum(...) over( partition by... ) 同组内所行求和
-- --sum(...) over( partition by... order by ... ) 在每个分组内，连续累积求和

窗口表达式

• 在 sum(…) over(partition by … order by …)语法完整的情况下，进行累积聚合操作，默认累积聚合行为是从第一行聚合到当前行；
• 窗口表达式给我们提供了一种控制执行范围的能力，比如向前2行，向后3行；
  

--第一行到当前行
select cookieid,
       createtime,
       pv,
       sum(pv) over (partition by cookieid order by createtime rows between unbounded preceding and current row) as pv2
from website_pv_info;
--向前3行至当前行
select cookieid,
       createtime,
       pv,
       sum(pv) over (partition by cookieid order by createtime rows between 3 preceding and current row) as pv4
from website_pv_info;
--向前3行 向后1行
select cookieid,
       createtime,
       pv,
       sum(pv) over (partition by cookieid order by createtime rows between 3 preceding and 1 following) as pv5
from website_pv_info;
--当前行至最后一行
select cookieid,
       createtime,
       pv,
       sum(pv) over (partition by cookieid order by createtime rows between current row and unbounded following) as pv6
from website_pv_info;
--第一行到最后一行 也就是分组内的所有行
select cookieid,
       createtime,
       pv,
       sum(pv)
           over (partition by cookieid order by createtime rows between unbounded preceding and unbounded following) as pv6
from website_pv_info;

窗口排序函数

• 用于给每个分组内的数据打上排序的标号，注意窗口排序函数不支持窗口表达式；
• 适合用于 Top N 业务分析；

row_number：在每个分组中，为每行分配一个从1开始的序列号，递增，不考虑重复；
rank：在每个分组中，为每行分配一个从1开始的序列号，考虑重复，挤占后续位置；
dense_rank：在每个分组中，为每行分配一个从1开始的序列号，考虑重复，不挤占后续位置；

SELECT cookieid,
       createtime,
       pv,
       RANK() OVER (PARTITION BY cookieid ORDER BY pv desc)       AS rn1,
       DENSE_RANK() OVER (PARTITION BY cookieid ORDER BY pv desc) AS rn2,
       ROW_NUMBER() OVER (PARTITION BY cookieid ORDER BY pv DESC) AS rn3
FROM website_pv_info
WHERE cookieid = 'cookie1';

ntile：将每个分组内的数据分为指定的若干个桶里，并且为每一个桶分配一个桶编号。如果不能平均分配，则优先分配较小编号的桶，并且各个桶中能放的行数最多相差1；

--把每个分组内的数据分为3桶
SELECT cookieid, createtime, pv, 
       NTILE(3) OVER (PARTITION BY cookieid ORDER BY createtime) AS rn2
FROM website_pv_info
ORDER BY cookieid, createtime;

窗口分析函数

• LAG(col,n,DEFAULT) 用于统计窗口内往上第n行值
  第一个参数为列名，第二个参数为往上第n行（可选，默认为1），第三个参数为默认值（当往上第n行为NULL时，取默认值，如不指定，则为NULL）；

• LEAD(col,n,DEFAULT) 用于统计窗口内往下第n行值
  第一个参数为列名，第二个参数为往下第n行（可选，默认1），第三个参数为默认值（当往下第n行为NULL时，取默认值，如不指定，则为NULL）；

• FIRST_VALUE 取分组内排序后，截至到当前行，第一个值；

• LAST_VALUE 取分组内排序后，截至到当前行，最后一个值；

--LAG
SELECT cookieid,
       createtime,
       url,
       ROW_NUMBER() OVER (PARTITION BY cookieid ORDER BY createtime)                              AS rn,
       LAG(createtime, 1, '1970-01-01 00:00:00')
           OVER (PARTITION BY cookieid ORDER BY createtime)                                       AS last_1_time,       LAG(createtime, 2) OVER (PARTITION BY cookieid ORDER BY createtime) AS last_2_time
FROM website_url_info;

--LEAD
SELECT cookieid,
       createtime,
       url,
       ROW_NUMBER() OVER (PARTITION BY cookieid ORDER BY createtime) AS rn,       LEAD(createtime, 1, '1970-01-01 00:00:00') OVER (PARTITION BY cookieid ORDER BY createtime) AS next_1_time,       LEAD(createtime, 2) OVER (PARTITION BY cookieid ORDER BY createtime) AS next_2_time
FROM website_url_info;

--FIRST_VALUE
SELECT cookieid,
       createtime,
       url,
       ROW_NUMBER() OVER (PARTITION BY cookieid ORDER BY createtime)     AS rn,
       FIRST_VALUE(url) OVER (PARTITION BY cookieid ORDER BY createtime) AS first1
FROM website_url_info;

--LAST_VALUE
SELECT cookieid,
       createtime,
       url,
       ROW_NUMBER() OVER (PARTITION BY cookieid ORDER BY createtime) AS rn,       LAST_VALUE(url) OVER (PARTITION BY cookieid ORDER BY createtime) AS last1
FROM website_url_info;

sampling 抽样函数

• 在 HQL 中，可以通过三种方式采样数据：随机采样，存储桶表采样和块采样；

Random 随机采样

• 使用 rand() 函数来确保随机获取数据，LIMIT 来限制抽取个数；
• 优点是随机，缺点是速度不快，尤其是表数据多的时候；
• 推荐 distribute + sort ，可以确保数据也随机分布在 mapper 和 reducer 之间，使得底层执行有效率；

--需求：随机抽取2个学生的情况进行查看
SELECT *
FROM student DISTRIBUTE BY rand() SORT BY rand() LIMIT 2;

Block 基于数据块抽样

• Block 块采样允许随机获取n行数据、百分比数据或指定大小的数据；
• 采样的粒度是 HDFS 块大小；
• 优点是速度快，缺点是不随机；

--block抽样
--根据行数抽样
SELECT * FROM student TABLESAMPLE (1 ROWS);
--根据数据大小百分比抽样
SELECT * FROM student TABLESAMPLE (50 PERCENT);
--根据数据大小抽样
--支持数据单位 b/B, k/K, m/M, g/G
SELECT * FROM student TABLESAMPLE (1k);

Bucket table 基于分桶表抽样

• 这是一种特殊的采样方法，针对分桶表进行了优化；
• 优点是即随机，速度又很快；

---bucket table抽样
--根据整行数据进行抽样
SELECT * FROM t_usa_covid19_bucket TABLESAMPLE(BUCKET 1 OUT OF 2 ON rand());
--根据分桶字段进行抽样 效率更高
SELECT * FROM t_usa_covid19_bucket TABLESAMPLE(BUCKET 1 OUT OF 2 ON state);