[hive] sql中distinct的用法和注意事项

在 Hive SQL 中，DISTINCT 用于去重查询结果中的行。它返回唯一的行，消除结果集中的重复项。以下是 DISTINCT 的基本用法和一些注意事项：

基本用法：

-- 获取列1和列2的唯一组合
SELECT DISTINCT column1, column2 FROM your_table;

-- 获取整个表的唯一行
SELECT DISTINCT * FROM your_table;

注意事项：

1. DISTINCT 和 NULL： DISTINCT 关键字会将包含 NULL 值的行视为相等，因此在去重时会将其中的一行过滤掉。如果你想要包含 NULL 值，需要使用 IS NULL 或 IS NOT NULL 条件。

   -- 包含 NULL 值的情况
   SELECT DISTINCT column1 FROM your_table WHERE column2 IS NULL;
   

2. 多列的去重： DISTINCT 可以同时应用于多列，返回唯一的组合。

   SELECT DISTINCT column1, column2 FROM your_table;
   

3. 排序和去重： DISTINCT 不会对结果进行排序。如果需要排序，可以在查询中使用 ORDER BY 子句。

   -- 获取按照 column1 排序的唯一行
   SELECT DISTINCT * FROM your_table ORDER BY column1;
   

4. 性能注意事项： 在大型数据集上使用 DISTINCT 可能涉及到数据的全局排序和去重，可能会导致性能开销较大。在某些情况下，你可能需要考虑其他方式来达到相似的效果，例如使用 GROUP BY。

   -- 使用 GROUP BY 达到去重效果
   SELECT column1, MAX(column2) AS column2 FROM your_table GROUP BY column1;
   

总体而言，DISTINCT 是在 Hive SQL 中用于去重的常见关键字，但在处理大数据集时，你可能需要考虑性能方面的影响，并根据实际需求选择合适的方法。