from(
select k1,k2,k3 ffrom table
) tmp
insert directory ... select k1,count(1) group by k1 USING ‘replicated,skewed....‘
insert directory ... select k2,count(1) group by k2
虽说hive会对原表扫描一次,然后执行下面的操作,但是基本上每个group by 都会有一个Mapreduce完成,更重要的是考虑到map端优化以及数据倾斜,可能一个group by需要两个MR完成。
有没有好的方式呢??
使用MR直接实现:
1、数据输入就是那个原表
2、关键是key的设计,将分组的key分别继承一个BaseKey,这个BaseKey就是Map输出key的类型
3、分区的设计,依据key的实际类型进行划分,使同一个key能够划到同一个reduce里面,进行聚集。
4、针对结果进行更改文件名字(可在reduce输出的第一行设置标记)
---------------------
缺陷:
reduce的个数需要>=分组的个数,这样数据量大的情况下不利。