Hive SQL去重a,b和b,a类型

昨天开发找到我们DBA，要我们写一条Hive SQL。

需求：

有一个t表，主要有机场名称airport，机场的经纬度distance这两个列组成，想得到所有距离小于100的两个机场名。

其实写这个SQL的逻辑并不是很困难，难点是如何去重复值，

我用MySQL模拟的一个表，其实Hive语法和SQL差不多，插入了三条数据，a, b, c 分别代表三个机场名称，结构如下：

mysql> show create table t\G*************************** 1. row ***************************       Table: tCreate Table: CREATE TABLE `t` (  `airport` varchar(10) DEFAULT NULL,  `distant` int(11) DEFAULT NULL) ENGINE=InnoDB DEFAULT CHARSET=utf81 row in set (0.00 sec)mysql> select * from t;+---------+---------+| airport | distant |+---------+---------+| a       |     130 || b       |     140 || c       |     150 |+---------+---------+3 rows in set (0.00 sec)

通过!=筛选掉本机场自己之间的比较，用abs函数取绝对值得到位置小于100的两个机场

mysql> select t1.airport, t2.airport from t t1,t t2 where t1.airport != t2.airport and abs(t1.distant-t2.distant) < 100;+---------+---------+| airport | airport |+---------+---------+| b       | a       || c       | a       || a       | b       || c       | b       || a       | c       || b       | c       |+---------+---------+6 rows in set (0.00 sec)

但是问题来了，(b,a) 与(a,b)，(c,a)与(a,c)，(c,b)与(b,c)这里被我们视为重复值，我们只需要得到其中某一行的数据，就知道是哪两个机场名了，那么，如何去掉这个重复值呢？

貌似distinct，group by都派不上用场了，最后咨询了一位资深的SQL高手，找到了这么一个函数hex(),可以把一个字符转化成十六进制，Hive也有对应的函数，效果如下：

mysql> select t1.airport,hex(t1.airport), t2.airport,hex(t2.airport) from t t1,t t2 where t1.airport != t2.airport and abs(t1.distant-t2.distant) < 100;+---------+-----------------+---------+-----------------+| airport | hex(t1.airport) | airport | hex(t2.airport) |+---------+-----------------+---------+-----------------+| b       | 62              | a       | 61              || c       | 63              | a       | 61              || a       | 61              | b       | 62              || c       | 63              | b       | 62              || a       | 61              | c       | 63              || b       | 62              | c       | 63              |+---------+-----------------+---------+-----------------+6 rows in set (0.00 sec)

这样我们就可以通过比较机场1和机场2的大小，来去掉重复值了

mysql> select t1.airport, t2.airport from t t1,t t2 where t1.airport != t2.airport and hex(t1.airport) < hex(t2.airport) and abs(t1.distant-t2.distant) < 100;+---------+---------+| airport | airport |+---------+---------+| a       | b       || a       | c       || b       | c       |+---------+---------+3 rows in set (0.00 sec)

最后再优化一下，结果如下：

mysql> select t1.airport, t2.airport from t t1,t t2 where hex(t1.airport) < hex(t2.airport) and abs(t1.distant-t2.distant) < 100;+---------+---------+| airport | airport |+---------+---------+| a       | b       || a       | c       || b       | c       |+---------+---------+3 rows in set (0.00 sec)

SQL并不复杂，没有太多表的join和子查询，但是之前遇到去掉重复值用distinct或者group by就可以解决了，这次貌似不太适用，所以记录一下，欢迎拍砖。

参考链接

https://dev.mysql.com/doc/refman/5.7/en/string-functions.html#function_hex

https://cwiki.apache.org/confluence/display/Hive/LanguageManual+UDF#LanguageManualUDF-Built-inFunctions