Hive 查询各类型专利 top10 申请人及专利申请数

一、背景

在专利数据处理中，我们常常需要分析不同类型专利下申请人的活跃度。例如，给定一个专利明细表 t_patent_detail，其中包含专利号、专利名称、专利类型、申请时间、授权时间和申请人等信息，且一个专利可能有多个申请人（以分号隔开）。我们的目标是找出各类型专利 top10 申请人以及他们对应的专利申请数。

二、数据结构

我们的数据存储在名为 t_patent_detail 的表中，其表结构如下：

• 专利号(patent_id)：每个专利的唯一标识符。
• 专利名称(patent_name)：专利的名称，描述专利的内容。
• 专利类型(patent_type)：例如发明创造、实用新型等不同类型的专利分类。
• 申请时间(aplly_date)：专利申请的日期。
• 授权时间(authorize_date)：专利获得授权的日期。
• 申请人(apply_users)：一个或多个申请人的名称，多人之间以分号分隔。

以下是一些示例数据：

三、查询思路

1. 第一步：处理申请人字段
   由于每个专利可能有多个申请人，我们需要将申请人字段“炸裂”（使用 Hive 的 explode 函数），将每个申请人拆分成单独的行。这里使用 split 函数将以分号分隔的申请人字符串拆分成数组，然后使用 explode 函数将数组中的每个元素（即每个申请人）展开。
2. 第二步：分组统计
   对处理后的申请人进行分组，并使用 count(*) 函数统计每个申请人的专利申请数。同时，使用 rank() 函数按照专利申请数进行排名，以便后续找出 top10 申请人。

四、Hive 查询语句解析

以下是实现上述功能的 Hive 查询语句：

--各类型专利 top10 申请人，以及对应的专利申请数
select t1.apply_name `申请人`,count(*) `专利申请数`,rank() over(order by
count(*) desc) `专利数排名`
from (
    --先将申请人字段炸裂
    select d.*, t1.coll `apply_name`
    from t_patent_detail d
    lateral view explode(split(apply_users,';')) t1 as coll
) t1
group by t1.apply_name; --按照申请人分组

• 在子查询中：
  • from t_patent_detail d 从专利明细表开始查询。
  • lateral view explode(split(apply_users,';')) t1 as coll 这部分是关键。首先，split(apply_users,';') 将 apply_users 字段（申请人字段）按照分号进行拆分，得到一个申请人名称的数组。然后，explode 函数将这个数组展开，每个元素（申请人名称）成为单独的一行。t1 是一个临时表别名，coll 是展开后的申请人名称列的别名。d.* 表示选择原始表中的所有其他列。
• 在外部查询中：
  • group by t1.apply_name 按照申请人名称进行分组。
  • count(*) 统计每个申请人的专利申请数。
  • rank() over(order by count(*) desc) 使用 rank 函数按照专利申请数降序排名，这里虽然没有筛选 top10 的步骤，但可以根据这个排名在后续进一步处理得到 top10 的结果。