14895人阅读
大数据处理（15）
部分内容出处：
http://www.atatech.org/article/detail/5617/0
一．UDFS函数介绍
1. 基本UDF
（1）SHOWFUNCTIONS：这个用来熟悉未知函数。
&&&&&DESCRIBE FUNCTION&function_name&;
（2）A IS NULL
&&&&&A IS NOT NULL
（3）A LIKE B 普通sql匹配如 like “a%”
&&&&&A RLIKE B通过正则表达式匹配
&&&&&A REGEXP B 通过正则表达式匹配
（4）round(double a)：四舍五入
（5）rand(),rand(int seed)：返回在(0,1)平均分布的随机数
（6）COALESCE(pv, 0)：将 pv 为 null 的行转为0，很实用
2. 日期函数
（1）datediff(string enddate, stringstartdate)：
&&&&&返回enddate和startdate的天数的差，例如datediff('','') = 2
（2）date_add(stringstartdate, int days)：
&&&&&加days天数到startdate:date_add('', 1) =''
（3）date_sub(stringstartdate, int days)：
&&&&&减days天数到startdate:date_sub('', 1) =''
（4）date_format(date,date_pattern)
&&&&&CREATETEMPORARY FUNCTION date_format AS'com.taobao.hive.udf.UDFDateFormat';
&&&&&根据格式串format 格式化日期和时间值date，返回结果串。
&&&&&date_format('','yyyy-MM-dd','')
（5）str_to_date(str,format)
&&&&&将字符串转化为日期函数
CREATE TEMPORARY FUNCTIONstr_to_date AS 'com.taobao.hive.udf.UDFStrToDate';
&&&&& str_to_date('09/01/2009','MM/dd/yyyy')
3. 字符串函数
（1）length(stringA)：返回字符串长度
（2）concat(stringA, string B...)：
&&&&&合并字符串，例如concat('foo','bar')='foobar'。注意这一函数可以接受任意个数的参数
（3）substr(stringA, int start) substring(string A,int start)：
&&&&&返回子串，例如substr('foobar',4)='bar'
（4）substring(string A, int start,int len)：
&&&&&返回限定长度的子串，例如substr('foobar',4, 1)='b'
（5）split(stringstr, string pat)：
&&&&&返回使用pat作为正则表达式分割str字符串的列表。例如，split('foobar','o')[2] = 'bar'。
（6）getkeyvalue(str,param)：
&&&&&从字符串中获得指定 key 的 value 值 UDFKeyValue
&&&& CREATE TEMPORARY FUNCTION getkeyvalue& AS 'com.taobao.hive.udf.UDFKeyValue';
4. 自定义函数
（1）row_number
CREATE TEMPORARY FUNCTION row_number
AS 'com.taobao.ad.data.search.udf.UDFrow_number';
select ip,uid,row_number(ip,uid) from (
select ip,uid,logtime from atpanel
distribute by ip,uid
sort by ip,uid,logtime desc
（2）拆分key_value键值对
CREATE TEMPORARY FUNCTION ExplodeEX AS 'com.taobao.hive.udtf.UDTFExplodeEX';
split(kvs,'_')[0] as key,
split(kvs,'_')[1] as key,
from ( select 'a-1|b-2' as kv from dual ) t
lateral view explode (split(kv,'\\|')) result as kvs
二.&HIVE新特性
1. 支持多列的COUNT(*)和COUNT DISTINCT查询
&& select count(distinct col1, col2) from table_select count(*) from table_
2.&提供以本地模式运行Hive的选项
&& 设置mapred.job.tracker=local可开启本地运行模式
3.&增强的列重命名语法
&& 增加 ALTERTABLE table_name CHANGE old_name new_name语法。
4.&支持UNIQUE JOIN
select .. from JOINTABLES (A,B,C) WITH KEYS (A.key, B.key, C.key) where ....
5.&增加检测表和分区状态的语法
&& 使用show table_name语法，检查表和分区的状态，包括大小和创建、访问时间戳。6.&&&&&&增加建表时支持STRUCT，结构体
7.&增加选择驱动表的提示
8.&增加/*+STREAMTABLE(tb_alias)*/ HINT，以在Join操作时指定驱动表：
&&&SELECT /*+ STREAMTABLE(a) */ a.val, b.val, c.valFROM a
&& JOIN b ON (a.key = b.key1)JOIN c ON (c.key = b.key1)
&&&指定此HINT后，原先默认的右表驱动会失效。
9. left Semi-Join
&& Left Semi-Join是可以高效实现IN/EXISTS子查询的语义。以下SQL语义：
（1）SELECT a.key, a.value FROM a WHERE a.key in (SELECT b.key FROM b);
&& 未实现Left Semi-Join之前，Hive实现上述语义的语句是：&&
&& SELECT t1.key, t1.value FROM a t1
&& left outer join (SELECT distinct key from b) t2
&&&on t1.id = t2.id where t2.
（2）可被替换为Left Semi-Join如下：
&& SELECT a.key, a.valFROM a LEFT SEMI JOIN b on (a.key = b.key)
&&&这一实现减少至少1次MapReduce过程，注意Left Semi-Join的Join条件必须是等值。
10.Skew Join优化
&& 优化skewed join key为map join。开启hive.optimize.skewjoin=true可优化倾斜的数据。Skew Join优化需要额外的mapjoin操作，且不能节省shuffle的代价。
11.Sorted merge (map) join
&&&(对关键表key排序)
&& 如果MapJoin中的表都是有序的，这一特性使得Join操作无需扫描整个表，这将大大加速Join操作。可通过hive.optimize.bucketmapjoin.sortedmerge=true开启这个功能，获得高的性能提升。
12.支持ALTER TABLE修改分区的InputFormat/OutputFormat定义
&& 这一特性使得我们可以用压缩方式（SequenceFileInputFormat）存储后续表分区的数据，同时又不需要对以前的表分区做修改，即透明切换到压缩格式。
13.支持并发提交没有依赖关系的MR过程
&& 此前的Hive仅仅顺序提交MR任务。这一增强使得没有依赖关系的多次MR过程（例如Union all语义中的多个子查询）可以并发提交。某些情况下可以提高单条HQL命令的响应速度。以下参数对并发提交功能启作用：
&& hive.exec.parallel[=false]
&& hive.exec.parallel.thread.number[=8]
14.Sorted Group by
& （中间表的预处理）
&& 对已排序的字段做Group by可以不再额外提交一次MR过程。这种情况下可以提高执行效率。
15.UDTF支持
&& UDTF即User defined table function，是一种UDF，区别是这种UDF可以返回多条记录。这一修改使得当前很多Transform脚本可以被替换为更通用、更高效、更用户友好的UDTF实现。UDTF是一种1:n输出，可用于行转列等。
&& UDTF不支持UDTF/列混合的select、不支持嵌套、不支持相同子查询中的GROUP BY / CLUSTER BY /DISTRIBUTE BY / SORT BY。
UDTF可与Lateral View相结合。
16.支持动态分区&&&&&&&&&&&&&&
&& 动态分区可通过设定hive.exec.dynamic.partition=true打开DP特性。使用方法：
&& INSERT OVERWRITETABLE tbl partition (col1[=value][, col2[=value] …])
&& 使用hive.exec.dynamic.partition.mode = nonstrict动态分区有一定风险，包括小文件、覆盖数据等。默认分区开关：
&&&hive.exec.default.dynamic.partition.name
17.插入强制排序HIVE-1193
&& 只需要打开hive.enforce.sorting选项即可。这一特性对Sorted merge bucket (map) join非常有用
18.支持视图功能
&& 可用于字段级别的权限控制
19.支持持笛卡尔积join（1.0特性&&&&&& SELECT a.*, b.*FROM aCROSS JOIN b
CREATE VIEW [IF NOT EXISTS] view_name
[ (column_name [COMMENT column_comment], … ) ]
[COMMENT ‘view_comment’]
AS SELECT …
[ ORDER BY …
LIMIT … ]
三. hive优化方式总结
1.&多表join优化代码结构：
&&&select .. from JOINTABLES (A,B,C) WITH KEYS (A.key, B.key, C.key) where ....
关联条件相同多表join会优化成一个job
2.&LeftSemi-Join是可以高效实现IN/EXISTS子查询的语义
&&&SELECT a.key,a.value FROM a WHERE a.key in (SELECT b.key FROM b);
（1）未实现Left Semi-Join之前，Hive实现上述语义的语句是：
&&&SELECT t1.key, t1.valueFROM a &t1
&& left outer join (SELECT distinctkey from b) t2 on t1.id = t2.id
&& where t2.
（2）可被替换为Left Semi-Join如下：
&&&SELECT a.key, a.valFROM a LEFT SEMI JOIN b on (a.key = b.key)
&& 这一实现减少至少1次MR过程，注意Left Semi-Join的Join条件必须是等值。
3.&预排序减少map &join和group by扫描数据
（1）重要报表预排序，打开hive.enforce.sorting选项即可
（2）如果MapJoin中的表都是有序的，这一特性使得Join操作无需扫描整个表，这将大大加速Join操作。可通过
&&&& hive.optimize.bucketmapjoin.sortedmerge=true开启这个功能，获得高的性能提升。
set hive.mapjoin.cache.numrows=;
set hive.mapjoin.size.key=100000;
Insert overwrite table pv_users
Select /*+MAPJOIN(pv)*/ pv.pageid,u.age
from page_view pv
join user u on (pv.userid=u.
（3）Sorted Group by&&&&
&&& 对已排序的字段做Group by可以不再额外提交一次MR过程。这种情况下可以提高执行效率。
4. 次性pv uv计算框架
（1）多个mr任务批量提交
&&&& hive.exec.parallel[=false]
&&&& hive.exec.parallel.thread.number[=8]
（2）&一次性计算框架,结合multi group by
&&&& 如果少量数据多个union会优化成一个job；
&&&& 反之计算量过大可以开启批量mr任务提交减少计算压力；
&&&& 利用两次group by 解决count distinct 数据倾斜问题&
Set hive.exec.parallel=
Set hive.exec.parallel.thread.number=2;
Sum(case when type=’pv’ then ct end) as pv,
Sum(case when type=’pv’ then 1 end) as uv,
Sum(case when type=’click’ then ct end) as ipv,
Sum(case when type=’click’ then 1 end) as ipv_uv
yw_type,log_type,uid,count(1) as ct
select ‘total’ yw_type,‘pv’ log_type,uid from pv_log
select ‘cat’ yw_type,‘click’ log_type,uid from click_log
) t group by yw_type,log_type
) t group by yw_type
Insert overwrite table tmp_1
Select pv,uv,ipv,ipv_uv
Where yw_type=’total’
Insert overwrite table tmp_2
Select pv,uv,ipv,ipv_uv
Where yw_type=’cat’;
5. 控制hive中的map和reduce数
（1）合并小文件
set mapred.max.split.size=;
set mapred.min.split.size.per.node=;
set mapred.min.split.size.per.rack=;
set hive.input.format=
org.apache.hadoop.hive.bineHiveInputF
&&& hive.input.format=……表示合并小文件。大于文件块大小128m的，按照128m来分隔，小于128m,大于100m的，按照100m来分隔，把那些小于100m的（包括小文件和分隔大文件剩下的），进行合并,最终生成了74个块
（2）耗时任务增大map数
&&& setmapred.reduce.tasks=10;
6.&利用随机数减少数据倾斜
&& 大表之间join容易因为空值产生数据倾斜&
from big_table_a a
left outer join big_table_b b
on b.uid = case when a.uid is null or length(a.uid)=0
then concat('rd_sid',rand()) else a.
四. 小技巧
1．空值处理,&结果表\N用空字符串代替
&& ALTER TABLE a SETSERDEPROPERTIES('serialization.null.format' = '');
2. 避免暴力扫描分区
&&&今日全量=昨日全量+今日增量
&&&30数据=前一个30日数据-31日数据+今日数据
&&&适用场景：需求稳定，需要访问30天或1年数据
3.&利用动态分区减少任务执行时间
五. 通过JobTracker 源数据找出低效代码
1. On条件没写或者扫描过多分区情况
&& Uv计算参考一次性pv uv计算框架解决方案，on或者分区条件没写去掉即可
id as 天网id,prgname as 任务路径,viewname as 显示名称,job_id ,job_name,job_value,
length(trim(inputdir))-length(replace(trim(inputdir),',',''))+1 as pathcnt
t1.id,t1.prgname,t1.viewname,
t3.job_id,t3.job_name ,
t3.job_value,
DBMS_LOB.SUBSTR(t3.job_value,4000) as inputdir
id,prgname,paravalue,viewname from dwa.etl_task_program t
where priority in('xx','xxx') --##统计的时候输入自己的业务基线id
and appflag=0
dwa.hdp_job_map t2,
dwa.hdp_job_conf t3
where t1.id = t2.id
and t2.job_id = t3.job_id
and t2.gmtdate = trunc(sysdate-1)
and t3.gmtdate = trunc(sysdate-1)
and t3.job_name = 'mapred.input.dir'
where length(trim(inputdir))-length(replace(trim(inputdir),',','')) & 10;
2. 同一个脚本相同单表被扫描多次
&& 尽量把所需要的数据一次性读出来
select sky_id as 天网id,viewname as 天网显示名称,
tab_name as 被扫描表,on_duty as 负责人,count(1) as
select distinct a.tab_name,c.sql_id,a.sub_sql_id,c.sky_id,e.viewname,e.on_duty
from dwa.meta_tab a,
dwa.meta_sqlsub b,
(select * from
(select sky_id,sql_id,sql_src,
row_number() over(partition by sky_id,length(sql_src) order by sql_id) rn
from dwa.meta_sqlfull
)where rn=1) c,
dwa.meta_col d,dwa.etl_task_program e
where e.priority
in('xx','xxx') --##统计的时候输入自己的业务基线id
and e.appflag=0 and e.id=c.sky_id
and a.sub_sql_id=b.sub_sql_id and a.tab_id=d.tab_id and a.sub_sql_id=d.sub_sql_id and b.sqlfull_id=c.sql_id
and a.tab_name not like '%-%'
and b.sql_type='select'
order by c.sky_id,c.sql_id,a.sub_sql_id
)group by sky_id,viewname,tab_name,on_duty
having count(1) &1
3. Job数过多
&& 尽量一次性读取所需数据
&& 才有union方式合并任务
&& Left &outer join on条件相同会合并成一个job
SELECT /*+ parallel(t,32) */
groupname,
BIZ_SORTID,
JOB_TOTAL_MAPS,
JOB_TOTAL_REDUCES,
TOTAL_TIME,
HDFS_BYTES_READ,
HDFS_BYTES_WRITTEN,
TOTAL_MAP_TIME,
TOTAL_REDUCE_TIME,
MAP_INPUT_RECORDS,
MAP_OUTPUT_RECORDS,
REDUCE_INPUT_RECORDS,
REDUCE_OUTPUT_RECORDS,
row_number() over(partition by groupname order by TIME desc) rn_time,
row_number() over(partition by groupname order by TOTAL_MAP_TIME+TOTAL_REDUCE_TIME desc) rn_slots
DWA.ETL_TASK_BASELINE.name as
groupname,
DWA.HDP_JOB_MAP.ID,
DWA.ETL_TASK_PROGRAM.BIZ_SORTID,
DWA.ETL_TASK_PROGRAM.ON_DUTY,
DWA.ETL_TASK_LOG.PRGNAME,
count(DWA.HDP_JOB_MAP.job_id) job_cnt,
--天网任务的job数
sum(DWA.HDP_JOB_STAT.JOB_TOTAL_MAPS) JOB_TOTAL_MAPS,
sum(DWA.HDP_JOB_STAT.JOB_TOTAL_REDUCES) JOB_TOTAL_REDUCES,
sum(DWA.HDP_JOB_STAT.TOTAL_TIME) TOTAL_TIME,
sum(DWA.HDP_JOB_STAT.HDFS_BYTES_READ) HDFS_BYTES_READ,
sum(DWA.HDP_JOB_STAT.HDFS_BYTES_WRITTEN) HDFS_BYTES_WRITTEN,
sum(DWA.HDP_JOB_STAT.TOTAL_MAP_TIME) TOTAL_MAP_TIME,
sum(DWA.HDP_JOB_STAT.TOTAL_REDUCE_TIME) TOTAL_REDUCE_TIME,
sum(DWA.HDP_JOB_STAT.MAP_INPUT_RECORDS) MAP_INPUT_RECORDS,
sum(DWA.HDP_JOB_STAT.MAP_OUTPUT_RECORDS) MAP_OUTPUT_RECORDS, --new
sum(DWA.HDP_JOB_STAT.REDUCE_INPUT_RECORDS) REDUCE_INPUT_RECORDS,
sum(DWA.HDP_JOB_STAT.REDUCE_OUTPUT_RECORDS) REDUCE_OUTPUT_RECORDS, --new
trunc((DWA.ETL_TASK_LOG.edate-DWA.ETL_TASK_LOG.sdate)*24*60) time
DWA.HDP_JOB_MAP,
DWA.ETL_TASK_PROGRAM,
DWA.ETL_TASK_LOG,
DWA.HDP_JOB_STAT,
DWA.ETL_TASK_BASELINE
( DWA.HDP_JOB_STAT.JOB_ID=DWA.HDP_JOB_MAP.JOB_ID
( DWA.HDP_JOB_MAP.ID=DWA.ETL_TASK_LOG.ID
( DWA.ETL_TASK_LOG.ID=DWA.ETL_TASK_PROGRAM.ID
( DWA.ETL_TASK_PROGRAM.BASELINE_ID=DWA.ETL_TASK_BASELINE.ID
( ( DWA.HDP_JOB_STAT.GMTDATE ) = trunc(sysdate)
( ( DWA.HDP_JOB_MAP.GMTDATE ) = trunc(sysdate)
( ( DWA.ETL_TASK_LOG.GMTDATE ) = trunc(sysdate)
AND DWA.ETL_TASK_PROGRAM.priority
in('xx','xxx') --##统计的时候输入自己的业务基线id
DWA.ETL_TASK_BASELINE.name,
DWA.HDP_JOB_MAP.ID,
DWA.ETL_TASK_PROGRAM.BIZ_SORTID,
DWA.ETL_TASK_PROGRAM.ON_DUTY,
DWA.ETL_TASK_LOG.PRGNAME,
(DWA.ETL_TASK_LOG.edate-DWA.ETL_TASK_LOG.sdate)*24*60
where time is not null
and job_cnt&10 --job数量，可以自己定义;
4. From表个数过多（节点入度过高）
select sky_id as 天网id,viewname as 显示名称,
sum(cnt) as 来源表使用次数,count(cnt) as 来源表个数
select sky_id,viewname,tab_name,on_duty,count(1) cnt
select distinct a.tab_name,c.sql_id,a.sub_sql_id,c.sky_id,e.viewname,e.on_duty
from dwa.meta_tab a,dwa.meta_sqlsub b,
select sky_id,sql_id,sql_src,
row_number() over(partition by sky_id,length(sql_src) order by sql_id) rn
from dwa.meta_sqlfull)
where rn=1
dwa.meta_col d,dwa.etl_task_program e
where e.priority
in('xx','xxx') --##统计的时候输入自己的业务基线id
and e.appflag=0 and e.id=c.sky_id
and a.sub_sql_id=b.sub_sql_id
and a.tab_id=d.tab_id and a.sub_sql_id=d.sub_sql_id and b.sqlfull_id=c.sql_id
and a.tab_name not like '%-%'
and b.sql_type='select'
order by c.sky_id,c.sql_id,a.sub_sql_id
group by sky_id,viewname,tab_name,on_duty
order by cnt desc
group by sky_id,viewname
order by sum(cnt)
5. Job倾斜情况
空值处理方法：
（1）直接过滤掉
（2）空值加上随机数分散到不同的reduce
解决方法一job2，方法二job1
a11.GMTDATE as
任务执行日期,
a11.GROUP_NAME
as 业务线名称,
a11.ID as 天网id,
a11.SORT_ID as 云梯优先级,
a11.NAME as 天网显示名称,
a11.JOB_ID as job_id,
a11.KEY_FLAG
是否关键节点任务,
a11.USER_NAME
sum(a11.JOB_AVG_TIME)
sum(a11.JOB_MAX_TIME)
sum(a11.JOB_AVG_RECORDS)
sum(a11.JOB_MAX_RECORDS)
DWA.VIEW_HDP_JOB_STAT
where gmtdate=date''
and group_name in ('xxxxx')
--业务线名称即天网任务配置里的“项目”
a11.GMTDATE,
a11.GROUP_NAME,
a11.SORT_ID,
a11.JOB_ID,
a11.KEY_FLAG,
a11.USER_NAME ;
6. 相同输入字节数的任务抽取与合并
&& 数据源相同的任务，抽取相同的job进行合并
drop table gv_job_
create table gv_job_mapinput as
id,prgname,job_id,MAP_INPUT_BYTES
DWA.ETL_TASK_BASELINE.name groupname,
DWA.HDP_JOB_MAP.ID,
DWA.ETL_TASK_PROGRAM.BIZ_SORTID,
DWA.ETL_TASK_PROGRAM.ON_DUTY,
DWA.ETL_TASK_LOG.PRGNAME,
DWA.HDP_JOB_MAP.job_id,
--天网任务的job数
sum(DWA.HDP_JOB_STAT.JOB_TOTAL_MAPS) JOB_TOTAL_MAPS,
sum(DWA.HDP_JOB_STAT.JOB_TOTAL_REDUCES) JOB_TOTAL_REDUCES,
sum(DWA.HDP_JOB_STAT.TOTAL_TIME) TOTAL_TIME,
sum(DWA.HDP_JOB_STAT.HDFS_BYTES_READ) HDFS_BYTES_READ,
sum(DWA.HDP_JOB_STAT.HDFS_BYTES_WRITTEN) HDFS_BYTES_WRITTEN,
sum(DWA.HDP_JOB_STAT.TOTAL_MAP_TIME) TOTAL_MAP_TIME,
sum(DWA.HDP_JOB_STAT.TOTAL_REDUCE_TIME) TOTAL_REDUCE_TIME,
sum(DWA.HDP_JOB_STAT.MAP_INPUT_RECORDS) MAP_INPUT_RECORDS,
sum(DWA.HDP_JOB_STAT.MAP_INPUT_BYTES) MAP_INPUT_BYTES,
sum(DWA.HDP_JOB_STAT.MAP_OUTPUT_RECORDS) MAP_OUTPUT_RECORDS, --new
sum(DWA.HDP_JOB_STAT.REDUCE_INPUT_RECORDS) REDUCE_INPUT_RECORDS,
sum(DWA.HDP_JOB_STAT.REDUCE_OUTPUT_RECORDS) REDUCE_OUTPUT_RECORDS, --new
trunc((DWA.ETL_TASK_LOG.edate-DWA.ETL_TASK_LOG.sdate)*24*60) time
DWA.HDP_JOB_MAP,
DWA.ETL_TASK_PROGRAM,
DWA.ETL_TASK_LOG,
DWA.HDP_JOB_STAT,
DWA.ETL_TASK_BASELINE
( DWA.HDP_JOB_STAT.JOB_ID=DWA.HDP_JOB_MAP.JOB_ID
( DWA.HDP_JOB_MAP.ID=DWA.ETL_TASK_LOG.ID
( DWA.ETL_TASK_LOG.ID=DWA.ETL_TASK_PROGRAM.ID
( DWA.ETL_TASK_PROGRAM.BASELINE_ID=DWA.ETL_TASK_BASELINE.ID
( ( DWA.HDP_JOB_STAT.GMTDATE ) = trunc(sysdate)
( ( DWA.HDP_JOB_MAP.GMTDATE ) = trunc(sysdate)
( ( DWA.ETL_TASK_LOG.GMTDATE ) = trunc(sysdate)
DWA.ETL_TASK_PROGRAM.priority
in('xx','xxx')
--##统计的时候输入自己的业务基线id
DWA.ETL_TASK_BASELINE.name,
DWA.HDP_JOB_MAP.ID,
DWA.ETL_TASK_PROGRAM.BIZ_SORTID,
DWA.ETL_TASK_PROGRAM.ON_DUTY,
DWA.ETL_TASK_LOG.PRGNAME,
DWA.HDP_JOB_MAP.job_id,
(DWA.ETL_TASK_LOG.edate-DWA.ETL_TASK_LOG.sdate)*24*60
order by MAP_INPUT_RECORDS desc ,job_
select * from gv_job_mapinput
where id exists (
select id from
(select id,prgname,count(job_id) cnt from gv_job_mapinput group by id,prgname)
where cnt =1
order by MAP_INPUT_BYTES
7. 多个任务只有一个共同的父任务
drop table gvora_view_
create table gvora_view_relation as
select a.id,a.viewname,a.on_duty,a.sourceid,a.priority,a.parentid, b.viewname parentviewname,b.on_duty pon_duty,b.sourceid psourceid,b.priority p_priority
select a.id,b.viewname,b.on_duty,b.sourceid,b.priority,a.parentid from
dwa.etl_task_relation a,
dwa.etl_task_program b
where a.id=b.id
dwa.etl_task_program b
where a.parentid=b.
select a.id as 天网id,a.viewname as 显示名称,rudu,chudu
select id,viewname,count(1) rudu from gvora_view_relation
where priority
in('xx','xxx')
--##统计的时候输入自己的业务基线id
group by id,viewname
select parentid,parentviewname,count(1) chudu from gvora_view_relation
where priority
in('xx','xxx')
--##统计的时候输入自己的业务基线id
group by parentid,parentviewname
where a.id=b.parentid
order by rudu +
参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：124329次
积分：1534
积分：1534
排名：第19651名
原创：12篇
转载：116篇
(1)(4)(2)(1)(1)(1)(8)(2)(9)(7)(1)(10)(1)(3)(1)(4)(7)(11)(6)(33)(16)提示信息 -
骑士cms官方论坛(74cms) -
Powered by Discuz!
后使用快捷导航没有帐号？
抱歉，指定的主题不存在或已被删除或正在被审核
Powered byhive中的show tables之前做了什么
[问题点数：40分，结帖人yujin753]
hive中的show tables之前做了什么
[问题点数：40分，结帖人yujin753]
不显示删除回复
显示所有回复
显示星级回复
显示得分回复
只显示楼主
匿名用户不能发表回复！|
每天回帖即可获得10分可用分！小技巧：
你还可以输入10000个字符
(Ctrl+Enter)
请遵守CSDN，不得违反国家法律法规。
转载文章请注明出自“CSDN（www.csdn.net）”。如是商业用途请联系原作者。