HiveSQL题——collect_set()/collect_list()聚合函数

一、collect_set() /collect_list()介绍

   collect_set()函数与collect_list()函数属于高级聚合函数（行转列），将分组中的某列转换成一个数组返回，常与concat_ws()函数连用实现字段拼接效果。

• collect_list：收集并形成list集合，结果不去重
• collect_set：收集并形成set集合，结果去重

二、collect_set() /collect_list()有序性

0 问题描述

有一张用户关注表table20，需求：根据用户user_id分组，按照粉丝关注的时间升序排序，输出粉丝id数组和粉丝关注的时间数组，并保障两个数组的数据能一一对应。

1 数据准备

create table if not exists table20 (
    user_id int comment '用户id',
    follow_user_id int comment '粉丝id',
    update_time string comment '粉丝关注的时间'
) comment  '用户关注表';

insert overwrite table table20 values
(1, 101,'2021-09-30 10:12:00'),
(1, 103,'2021-10-01 11:00:00'),
(1, 104,'2021-11-02 10:00:00'),
(1, 103,'2021-11-28 10:22:00'),
(2, 104,'2021-11-02 10:11:00'),
(2, 100,'2021-11-03 10:21:00'),
(1, 99,'2021-11-23 12:28:00');

2 数据分析

方式一： row_number() over(partition by .. order by..) as rn 排序，然后再使用collect_list()/collect_set()进行聚合.

select
    user_id,
    concat_ws('|', collect_list(cast(follow_user_id as string))) as fui,
    concat_ws('|', collect_list(update_time))  as ut
      from (select
                user_id,
                follow_user_id,
                update_time,
                row_number() over (partition by user_id order by update_time) rn
            from table20) tmp1
group by user_id;

发现问题：ut数组内的时间并没有按照升序排序输出。

原因分析：

• HiveSQL执行时，底层转换成MR任务执行，当同时开启多个mapper任务时，mapper1可能处理的user_id是 1，update_time排名为1，2，3的数据,mapper2可能处理的user_id是1，update_time排名为4，5的数据。
• collect_list()的底层是arrayList 来实现的，当put到arrayList集合时，无法知道是哪个mapper先计算完，所以可能会出现ArrayList集合中的数据顺序与原来数据插入的顺序不对齐的情况。因此：row_number() over(partition by .. order by ..) 与collect_list一起使用的时候，只能是实现局部有序（单个mapper的数据有序），不能实现全局有序。

解决方案：

方案一：使用distribute by + order by

select
    user_id,
    concat_ws('|', collect_list(cast(follow_user_id as string))) as fui_list,
    concat_ws('|', collect_list(update_time))                    as ut_list
from (select
          user_id,
          follow_user_id,
          update_time,
          row_number() over (partition by user_id order by update_time ) as rn
      from (
               select
                   user_id,
                   follow_user_id,
                   update_time
               from table20
                   distribute by user_id sort by update_time
           ) tmp1) tmp2
group by user_id
order by user_id;

** 上述代码用到的函数：**

(1)concat_ws：带分隔符的字符串连接
   语法: concat_ws(string SEP, string A, string B…)
         select concat_ws('-','abc','def') // abc-def

(2)collect_list：收集并形成list集合，结果不去重
   语法:select id, collect_list(likes) from student group by id;

(2)collect_set：收集并形成set集合，结果去重
   语法:select id, collect_set(likes) from student group by id;

方案二：****sort_array(只支持升序)

select
    user_id,
    concat_ws(',', collect_list(cast(follow_user_id as string)))   as fui,
    concat_ws(',', sort_array(collect_list
        (concat_ws('|', lpad(cast(rn as string), 2, '0'), update_time)))) as middle,
    regexp_replace(concat_ws(',', sort_array(collect_list
        (concat_ws('|', lpad(cast(rn as string), 2, '0'), update_time)))), '\\d+\\|', '') as ut
from (select
          user_id,
          follow_user_id,
          update_time,
          rn
      from (
               select
                   user_id,
                   follow_user_id,
                   update_time,
                   row_number() over (partition by user_id order by update_time ) as rn
               from table20
           ) tmp1
      order by rn) tmp2
group by user_id
order by user_id

middle字段值的结果：

ut字段值的结果：

select regexp_replace('04|','\\d+\\|','*')  --> *
正则表达式：\\d+代表所有数字字符

上述代码用到的函数：

（一）lpad / rpad：左/右补足函数
语法：lpad(string str, int len,string pad) / rpad(string str, int len, string pad)
参数说明：
第一个参数：要补齐的字符串
第二个参数：补齐之后字符串的总位数
第三个参数：从左边/右边填充的字符， lpad代表从左边填充；rpad代表从右边填充

举例：
select lpad('abc',5,'fg')  --> fgabc
select rpad('abc',7,'df') --> abcdfdf

因为sort_array 是按照顺序对字符进行排序(例如11会排在2前面)，所以可以使用函数lpad补位(将原来的1,2,3,4 转换成 01,02,03,04),然后再正常排序

（二）regexp_replace : 字符串替换
语法：regexp_replace(string initial_string, string pattern, string  replacement)
参数说明：
 initial_string为要替换的字符串，
 pattern为匹配字符串的正则表达式，
 replacement为要替换为的字符串。
简述： regexp_replace (StrA,StrB,StrC) 函数：将字符串A中的符合java正则表达式B的部分替换成C

（三）sort_array : 数组排序函数
 语法：sort_array(array, [asc|desc]) ： 按照指定的排序规则对数组进行排序，并返回一个排好序的新数组
 参数说明：
  第一个参数：array为需要排序的数组，
  第二个参数：asc为可选参数，如果设置为true则按升序排序；desc为可选参数，如果设置为true，则按降序排序。如果既不设置asc也不设置desc，则按升序排序

 举例：
select sort_array(array(2, 5, 3, 1)) as sorted_array; ---> [1,2,3,5]
select sort_array(array(2, 5, 3, 1), true, true) as sorted_array; ---> [5,3,2,1]

3 小结