1.hive的源码distinct与groupby的区别是什么?
2.开发实战角度：distinct实现原理及具体优化总结
3.Hive常用算子实现原理简述--MapReduce版
4.HIVE-SQL优化（持续更新ing）
5.Hive优化的原则参考
6.通过深挖Clickhouse源码，我精通了数据去重！源码

hive的源码distinct与groupby的区别是什么?

       理解Hive中的DISTINCT与GROUP BY功能，需从它们各自的源码核心作用入手。DISTINCT功能旨在去除结果集中的源码重复行，确保返回的源码逆序打印源码数据集不包含任何重复记录。具体而言，源码Hive在处理时，源码若未明确指定ALL或DISTINCT选项，源码则默认返回所有匹配行，源码而DISTINCT选项则确保结果集中只包含唯一行，源码多余重复的源码记录被去除。

       相比之下，源码GROUP BY操作则侧重于数据的源码分组与聚合。其本质是源码对数据进行逻辑上的分组处理，然后基于每个分组返回计算结果。数据处理的顺序是先进行分组操作，根据指定的字段将数据划分为不同的组，之后对每组数据执行聚合操作，如计算每组的总和、平均值等。这一过程充分体现了Hive在数据处理上的高效与灵活性。

       在理解了它们的基本逻辑与实现方式后，我们可以得出，尽管DISTINCT与GROUP BY在表面功能上存在差异，但在实际应用中，它们的性能表现可能较为相近。Hive优化器通常会将DISTINCT操作转换为GROUP BY操作，以更高效地利用并行计算资源。Arkmri源码因此，选择使用DISTINCT还是GROUP BY，应基于个人习惯与具体需求，不必过于纠结。

       以具体的例子说明，当我们使用Hive执行SQL时，优化器可能自动将带有DISTINCT的查询转换为使用GROUP BY的查询，如以下执行计划所示，使用了Group By Operator。这一转换体现了Hive在优化过程中，为提高执行效率而采取的策略。

开发实战角度：distinct实现原理及具体优化总结

       Distinct是一种在数据库SQL语言中至关重要的操作，尤其在Hive中，它通过MapReduce机制来实现。Distinct操作可以应用于单列或多列，其基本原理是对数据集按照指定列进行分组，去除每个分组内的重复值，最终合并成唯一值的结果集。

       在最近的一次学习过程中，有位伙伴在研究count distinct时遇到了难题。虽然对单个count distinct原理理解尚可，但面对多字段count distinct时，讲解起来就变得复杂。下面将为大家总结这方面的内容。

       在深入Distinct之前，先来了解一下group by操作的实现原理。group by操作适合与distinct紧密相关的聚合操作，因此，ima源码总结distinct之前，需要了解group by的具体实现。

       在map阶段，将group by后的字段组合作为key，如果是单个字段，则key为一个。group by之后要进行的聚合操作字段作为值，如count则值为1；若sum另一个字段，则value是该字段值。shuffle阶段，按照key的不同分发到不同的reducer。reduce阶段，如果是count则将相同key的值累加，如果是其他操作，则按需要的聚合操作得到结果。

       在map阶段如果出现数据倾斜，可以进行相应的处理，常见的方法有单独计算key、替换随机数等。针对group by的特殊方法有几种。

       Distinct单字段原理：当执行Distinct操作时，Hive将其转化为MapReduce作业，并按指定列进行分组。Map阶段，每个Mapper读取输入数据，将指定列作为输出的key，通过Shuffle过程将具有相同key的数据发送到同一个Reducer中。由于使用了distinct，patchupdate源码Map端的combine无法合并重复数据，因此必须将id作为Key输出，在Reduce阶段再进行消重。

       对于count(distinct)全聚合操作，即使设置了reduce task的具体个数，Hive最终也只会启动一个reducer。这导致所有map端传来的数据都在一个tasks中执行，唯一的Reduce Task需要处理大量的数据，这成为整个作业的IO和运算瓶颈。

       Distinct一个字段时，将group by的字段和distinct的字段组合作为map输出的key，value设置为1，同时将group by的字段定为分区键。这样就可以将GroupBy字段作为reduce的key，在reduce阶段利用mapreduce的排序，输入天然就是按照组合key排好序的。根据分区键将记录分发到reduce端后，按顺序取出组合键中的distinct字段，这时distinct字段也是排好序的。依次遍历distinct字段，每找到一个不同值，计数器就自增1，即可得到count distinct结果。

       对于单distinct的优化，可以通过将原来一个MapReduce作业转换为两个作业，在第一阶段选出全部的非重复的字段id，在第二阶段再对这些已消重的id进行计数。这样可以在第一阶段通过增大Reduce的134源码并发数来处理Map输出，在第二阶段，由于id已经消重，COUNT(*)操作在Map阶段不需要输出原id数据，只输出一个合并后的计数即可。

       对于mult-distinct，如果按照上面一个distinct字段的方法，无法根据uid和date分别排序，也就无法通过LastKey去重，仍然需要在reduce阶段在内存中通过Hash去重。Hive会使用另一种处理方式，对所有的distinct字段编号，那么相同字段就会分别排序，这时只需要在reduce阶段记录LastKey即可去重。这种实现方式利用了MapReduce的排序，节省了reduce阶段去重的内存消耗，但缺点是增加了shuffle的数据量。

       对于多重distinct的操作，可以按照一定步骤进行优化。

Hive常用算子实现原理简述--MapReduce版

       Hive中的常用算子包括distinct、join、group by、order by、distribute by、sort by、count等，这些操作符在SQL中使用起来很方便，能快速达到我们想要的效果，但是这些算子在底层是怎么实现的呢？

        order by很容易想到执行原理，在一个reduce中将所有记录按值排序即可。因此order by在数据量大的情况下执行时间非常长，容易out of memory，非特殊业务需求一般不使用。distribute by也比较明显，根据hash值将distribute的值分发到不同的reduce。sort by是小号的order by，只负责将本reducer中的值排序，达到局部有序的效果。sort by和distribute by配合使用风味更佳，二者可以合并简写为cluster by。count则更加明晰，在combiner或reducer处按相同键累加值就能得到。

        比较复杂的是distinct、join、group by，本文重点讨论这三个算子在MapReduce引擎中的大致实现原理。班门弄斧，抛砖引玉。

        map阶段，将group by后的字段组合作为key，如果group by单字段那么key就一个。将group by之后要进行的聚合操作字段作为值，如要进行count，则value是1；如要sum另一个字段，则value就是该字段。

        shuffle阶段，按照key的不同分发到不同的reducer。注意此时可能因为key分布不均匀而出现数据倾斜的问题。

        reduce阶段，将相同key的值累加或作其他需要的聚合操作，得到结果。

        对group by的过程讲解的比较清楚的是这篇文章 /info-detail-.html 图文并茂，很生动。

        实例如下图，对应语句是 select rank, isonline, count(*) from city group by rank, isonline;

        如果group by出现数据倾斜，除去替换key为随机数、提前挑出大数量级key值等通用调优方法，适用于group by的特殊方法有以下几种：

        （1）set hive.map.aggr=true，即开启map端的combiner，减少传到reducer的数据量，同时需设置参数hive.groupby.mapaggr.checkinterval 规定在 map 端进行聚合操作的条目数目。

        （2）设置mapred.reduce.tasks为较大数量，降低每个reducer处理的数据量。

        （3）set hive.groupby.skewindata=true，该参数可自动进行负载均衡。生成的查询计划会有两个 MR Job。第一个 MR Job 中，Map 的输出结果集合会随机分布到Reduce 中，每个 Reduce 做部分聚合操作，并输出结果，这样处理的结果是相同的 Group By Key有可能被分发到不同的 Reduce 中，从而达到负载均衡的目的；第二个 MR Job 再根据预处理的数据结果按照 Group ByKey 分布到 Reduce 中（这个过程可以保证相同的 Group By Key 被分布到同一个 Reduce中），最后完成最终的聚合操作。

        Hive中有两种join方式：map join和common join

        如果不显式指定map side join，或者没有达到触发自动map join的条件，那么会进行reduce端的join，即common join，这种join包含map、shuffle、reduce三个步骤。

        （1）Map阶段

        读取源表的数据，Map输出时候以Join on条件中的列为key，如果Join有多个关联键，则以这些关联键的组合作为key。Map输出的value为join之后所关心的(select或者where中需要用到的)列；同时在value中还会包含表的Tag信息，用于标明此value对应哪个表。然后按照key进行排序。

        （2）Shuffle阶段

        根据key的值进行hash,并将key/value按照hash值推送至不同的reduce中，这样确保两个表中相同的key位于同一个reduce中

        （3）Reduce阶段

        根据key的值完成join操作，期间通过Tag来识别不同表中的数据。

        以下面的SQL为例，可用下图所示过程大致表达其join原理。

        SELECT u.name, o.orderid FROM user u JOIN order o ON u.uid = o.uid;

        关联字段是uid，因此以uid为map阶段的输出key，value为选取的字段name和标记源表的tag。shuffle阶段将相同key的键值对发到一起，reduce阶段将不同源表、同一key值的记录拼接起来，可能存在一对多的情况。

        如果指定使用map join的方式，或者join的其中一张表小于某个体积（默认MB），则会使用map join来执行。具体小表有多小，由参数 hive.mapjoin.smalltable.filesize 来决定。

        Hive0.7之前，需要使用hint提示 /*+ mapjoin(table) */才会执行MapJoin,否则执行Common Join，但在0.7版本之后，默认自动会转换Map Join，由参数 hive.auto.convert.join 来控制，默认为true。

        以下图为例说明map join如何执行，该图来自 /archives///.htm ，博主是一个水平深厚又乐于分享的前辈，图片水印上也有其网址。

        yarn会启动一个Local Task（在客户端本地执行的Task）--Task A，负责扫描小表b的数据，将其转换成一个HashTable的数据结构，并写入本地的文件中，之后将该文件加载到DistributeCache中。

        接下来是Task B，该任务是一个没有Reduce的MR，启动MapTasks扫描大表a,在Map阶段，根据a的每一条记录去和DistributeCache中b表对应的HashTable关联，并直接输出结果。

        由于MapJoin没有Reduce，所以由Map直接输出结果文件，有多少个Map Task，就有多少个结果文件。

        distinct一般和group by同时出现。

        当distinct一个字段时，将group by的字段和distinct的字段组合在一起作为map输出的key，value设置为1，同时将group by的字段定为分区键，这可以确保相同group by字段的记录都分到同一个reducer，并且map的输入天然就是按照组合key排好序的。根据分区键将记录分发到reduce端后，按顺序取出组合键中的distinct字段，这时distinct字段也是排好序的。依次遍历distinct字段，每找到一个不同值，计数器就自增1，即可得到count distinct结果。例如下面的SQL语句，过程可以下图示意。

        我暂时没有理解这是怎么实现的，别人写的也没有看明白。有善良的学富五车的大佬指点一下吗？

HIVE-SQL优化（持续更新ing）

       优化HIVE SQL主要包括配置优化、SQL语句优化以及任务优化等方案。在开发过程中，主要关注SQL优化。优化的核心思想包括减少数据量、避免数据倾斜、避免全表扫描以及减少job数。

       在SQL优化中，关键点包括使用分区剪裁和列剪裁以减少数据量。避免数据倾斜，通常通过调整参数和Key打散来实现。避免全表扫描，通过在ON语句中添加分区等条件来优化。减少job数，通过合并具有相同ON条件的JOIN操作到一个任务中。

       优化HQL语句时，应尽量减少使用COUNT DISTINCT，因为它可能需要一个Reduce Task处理大量数据，导致Job难以完成。使用WITH子句可以提取子查询并将其结果用作临时表，减少重复计算，提高效率。在处理大表和小表的JOIN时，遵循将条目少的表放在Join操作符左侧的原则，可以减少OOM错误的几率。数据倾斜发生在shuffle过程中，常见触发此现象的算子包括distinct、groupByKey等。

       优化HIVE SQL的策略还包括通过参数调整来优化性能，但具体设置不在本文详细描述。核心优化思想旨在通过减少数据量、避免数据倾斜、避免全表扫描以及合理安排job和JOIN操作，实现SQL执行效率的提升。这些优化策略对于HIVE的性能优化至关重要，确保查询任务能够高效执行。

Hive优化的原则参考

        需要满足以下条件：

        hive.mapred.mode=true，严格模式不允许执行以下查询：

        分区表上没有指定了分区

        没有limit限制的order by语句

        笛卡尔积：JOIN时没有ON语句

        两个聚集函数不能有不同的DISTINCT列，以下表达式是错误的：

        SELECT语句中只能有GROUP BY的列或者聚集函数。

        第一个MRJob 中，

        Map的输出结果集合会随机分布到Reduce中，每个Reduce做部分聚合操作，并输出结果，这样处理的结果是相同的GroupBy Key

        有可能被分发到不同的Reduce中，从而达到负载均衡的目的；第二个MRJob再根据预处理的数据结果按照GroupBy Key分布到

        Reduce中（这个过程可以保证相同的GroupBy Key被分布到同一个Reduce中），最后完成最终的聚合操作。

        FROM test

        INSERT OVERWRITE TABLE count1

        SELECT count(DISTINCT test.dqcode)

        GROUP BY test.zipcode

        INSERT OVERWRITE TABLE count2

        SELECT count(DISTINCT test.dqcode)

        GROUP BY test.sfcode;

        ORDER BY colName ASC/DESC

        hive.mapred.mode=strict时需要跟limit子句

        hive.mapred.mode=nonstrict时使用单个reduce完成排序

        SORT BY colName ASC/DESC ：每个reduce内排序

        DISTRIBUTE BY(子查询情况下使用 )：控制特定行应该到哪个reducer，并不保证reduce内数据的顺序

        CLUSTER BY ：当SORT BY 、DISTRIBUTE BY使用相同的列时。

        增加map数目：

        当input的文件都很大，任务逻辑复杂，map执行非常慢的时候，可以考虑增加Map数，来使得每个map处理的数据量减少，从而提高任务的执行效率。

        假设有这样一个任务：

        　　select data_desc, count(1), count(distinct id),sum(case when …),sum(case when ...),sum(…) from a group by data_desc

        如果表a只有一个文件，大小为M，但包含几千万的记录，如果用1个map去完成这个任务，肯定是比较耗时的，这种情况下，我们要考虑将这一个文件合理的拆分成多个，这样就可以用多个map任务去完成。

        　　set mapred.reduce.tasks=;

        　　create table a_1 as select * from a distribute by rand();

        这样会将a表的记录，随机的分散到包含个文件的a_1表中，再用a_1代替上面sql中的a表，则会用个map任务去完成。每个map任务处理大于M（几百万记录）的数据，效率肯定会好很多。

        reduce数目设置：

        　参数1：hive.exec.reducers.bytes.per.reducer=1G：每个reduce任务处理的数据量

        　参数2：hive.exec.reducers.max=(0. TaskTracker数)：每个任务最大的reduce数目

        　reducer数=min(参数2,总输入数据量/参数1)

        　set mapred.reduce.tasks：每个任务默认的reduce数目。典型为0. reduce槽数，hive将其设置为-1，自动确定reduce数目。

        .使用索引：

        hive.optimize.index.filter：自动使用索引

        hive.optimize.index.groupby：使用聚合索引优化GROUP BY操作

通过深挖Clickhouse源码，我精通了数据去重！

       数据去重的Clickhouse探索

       在大数据面试中，数据去重是一个常考问题。虽然很多博主已经分享过相关知识，但本文将带您深入理解Hive引擎和Clickhouse在去重上的差异，尤其是后者如何通过MergeTree和高效的数据结构优化去重性能。

       Hive去重

       Hive中，distinct可能导致数据倾斜，而group by则通过分布式处理提高效率。面试时，理解MapReduce的数据分区分组是关键。然而，对于大规模数据，Hive的处理速度往往无法满足需求。

       Clickhouse的登场

       面对这个问题，Clickhouse凭借其列存储和MergeTree引擎崭露头角。MergeTree的高效体现在它的数据分区和稀疏索引，以及动态生成和合并分区的能力。

       Clickhouse：Yandex开源的实时分析数据库，每秒处理亿级数据

       MergeTree存储结构：基于列存储，通过合并树实现高效去重

       数据分区和稀疏索引

       Clickhouse的分区策略和数据组织使得去重更为快速。稀疏索引通过标记大量数据区间，极大地减少了查询范围，提高性能。

       优化后的去重速度

       测试显示，Clickhouse在去重任务上表现出惊人速度，特别是通过Bitmap机制，去重性能进一步提升。

       源码解析与原则

       深入了解Clickhouse的底层原理，如Bitmap机制，对于优化去重至关重要，这体现了对业务实现性能影响的深度理解。

       总结与启示

       对于数据去重，无论面试还是日常工作中，深入探究和实践是提升的关键。不断积累和学习，即使是初入职场者也能在大数据领域找到自己的位置。

小技巧一：把roaring bitmap引入hive/spark，再也不怕count(distinct)了

       小技巧一：引入Roaring Bitmap到Hive/Spark，解决count(distinct)问题

       在SQL中，`count(distinct xxx)`常用于计算去重数量。当`xxx`为byte, shortint, int等数值类型时，可以将其转化为bitmap位运算，加速运算。对于非数值类型，可以考虑将其转换为一个唯一的数字，构建广义字典。Roaring Bitmap的基本思想是使用一个位图来唯一标记某个正整数，用于记录无重复的整数数组。

       例如，数组[2,3,4,5]可以通过一个字节记录。通过依次设置数字n在第n+1个位置的位，可以表示数组。对于数字范围0到n，需要`n/ +1`字节的存储空间。与数组存储相比，Roaring Bitmap的存储空间通常更小，约为数组的1/。

       Roaring Bitmap适用于无法直接存储的其他类型数字，通过转换为唯一数字进行存储。在处理如`[0,]`的场景中，使用Roaring Bitmap需要字节的空间，而数组存储只需要8字节，因此不划算。Roaring Bitmap在底层采用数组存储，以适应数字分散的场景。

       当处理如`[0,]`和`[,0]`的场景时，Roaring Bitmap可能无法区分数字顺序或正确识别重复值。在大数据领域，如活跃人数等去重指标的计算中，Roaring Bitmap可以加速计算过程，尤其是在离线执行引擎Hive/Spark中引入Roaring Bitmap来实现精准去重。

       考虑到Hive本身不支持Roaring Bitmap数据类型，可以将其序列化为`binary`类型使用。在函数体系方面，需要实现一系列的UDF和UDAF函数，如`bitmap_count`、`bitmap_and`、`bitmap_not`、`bitmap_union`、`bitmap_contains`、`range_bitmap`、`bitmap_to_array`、`array_to_bitmap`等，以支持bitmap的集合计数、交集、差集、并集和查询操作。

       在留存分析场景中，可以利用Roaring Bitmap构建活跃位图来加速计算，如连续N天登录问题。通过将用户活跃日期构建为位图，可以快速判断用户是否连续活跃。在用户画像和用户圈选场景中，Roaring Bitmap可以用于构建用户活跃画像，提高数据处理效率。在电商场景中，通过构建轻度汇总表并使用Roaring Bitmap存储去重人数，可以有效避免重复计算，提高数据聚合的准确性。

       对于大数值范围（如bigint），Roaring Bitmap也支持。考虑到实际应用中数值范围超过`2**`的情况较少，是否需要支持bigint取决于具体需求。在数据索引优化方面，可以考虑重新编码，使得连续分布，进一步提高查询性能。