背景
在hive中使用Roaring64Bitmap实现精确去重功能 主要目的:
- 提升 hive 中精确去重性能,代替hive 中的 count(distinct uuid);
- 节省 hive 存储 ,使用 bitmap 对数据压缩 ,减少了存储成本;
- 提供在 hive 中 bitmap 的灵活运算 ,比如:交集、并集、差集运算 ,计算后的 bitmap 也可以直接写入 hive;
使用
1.github地址
https://github.com/lihuigang/hive-bitmap-udf
2.下载地址:
https://github.com/lihuigang/hive-bitmap-udf/releases/download/v1.0.1/hive-bitmap-udf.jar
3.在hive中创建自定义 bitmap UDF
add jar hdfs://node:9000/hive-bitmap-udf.jar;CREATE TEMPORARY FUNCTION to_bitmap AS 'com.hive.bitmap.udf.ToBitmapUDAF';
CREATE TEMPORARY FUNCTION bitmap_union AS 'com.hive.bitmap.udf.BitmapUnionUDAF';
CREATE TEMPORARY FUNCTION bitmap_count AS 'com.hive.bitmap.udf.BitmapCountUDF';
CREATE TEMPORARY FUNCTION bitmap_and AS 'com.hive.bitmap.udf.BitmapAndUDF';
CREATE TEMPORARY FUNCTION bitmap_or AS 'com.hive.bitmap.udf.BitmapOrUDF';
CREATE TEMPORARY FUNCTION bitmap_xor AS 'com.hive.bitmap.udf.BitmapXorUDF';
4.UDF说明
UDF | 描述 | 案例 | 结果类型 |
---|---|---|---|
to_bitmap | 将num(int或bigint) 转化为 bitmap | to_bitmap(num) | bitmap |
bitmap_union | 多个bitmap合并为一个bitmap(并集) | bitmap_union(bitmap) | bitmap |
bitmap_count | 计算bitmap中存储的num个数 | bitmap_count(bitmap) | long |
bitmap_and | 计算两个bitmap交集 | bitmap_and(bitmap1,bitmap2) | bitmap |
bitmap_or | 计算两个bitmap并集 | bitmap_or(bitmap1,bitmap2) | bitmap |
bitmap_xor | 计算两个bitmap差集 | bitmap_xor(bitmap1,bitmap2) | bitmap |
5. 在 hive 中创建 bitmap 类型表,导入数据并查询
CREATE TABLE IF NOT EXISTS `hive_bitmap_table`
( k int comment 'id',bitmap binary comment 'bitmap'
) comment 'hive bitmap 类型表'
STORED AS ORC;-- 数据写入
insert into table hive_bitmap_table select 1 as id,to_bitmap(1) as bitmap;
insert into table hive_bitmap_table select 2 as id,to_bitmap(2) as bitmap;-- 查询select bitmap_union(bitmap) from hive_bitmap_table;
select bitmap_count(bitmap_union(bitmap)) from hive_bitmap_table;
6. 在 hive 中使用 bitmap 实现精确去重
CREATE TABLE IF NOT EXISTS `hive_table`
( k int comment 'id',uuid bigint comment '用户id'
) comment 'hive 普通类型表'
STORED AS ORC;-- 普通查询(计算去重人数)select count(distinct uuid) from hive_table;-- bitmap查询(计算去重人数)select bitmap_count(to_bitmap(uuid)) from hive_table;