Question

我有以下表格，第一个（Range）包括值范围和其他列：

row  | From   |  To     | Country ....
-----|--------|---------|---------
1    | 1200   |   1500  |
2    | 2200   |   2700  |
3    | 1700   |   1900  |
4    | 2100   |   2150  |
...

From和To是bigint并且是独占的。 Range表包含1.8M记录。附加表（Values）包含2.7M记录，如下所示：

 row     | Value  | More columns....
 --------|--------|----------------
    1    | 1777   |    
    2    | 2122   |    
    3    | 1832   |    
    4    | 1340   |    
    ...

我想创建一个表如下：

row      | Value  | From   | To    | More columns....
 --------|--------|--------|-------|---
    1    | 1777   | 1700   | 1900  |
    2    | 2122   | 2100   | 2150  |   
    3    | 1832   | 1700   | 1900  |   
    4    | 1340   | 1200   | 1500  |   
    ...

我使用BETWEEN执行上述任务，但查询永远不会结束：

VALUES.VALUE between RANGE.FROM and RANGE.TO

我需要在表分区或Impala中进行更改吗？

Answer 1

以下解决方案的主要思想是用等距连接替换theta连接（非等连接），这将导致良好的分布+高效的局部连接算法。

范围（-infinity，infinity）被分割为n长度的部分范围表中的每个范围都与它相交的部分相关联。

e.g。给定n = 1000，范围[1652,3701]将与[1000,2000)，[2000,3000)和[3000,4000)部分相关联（并且将有3条记录，每部分为1条）

               1652              3701
               |                 |
               -------------------

-------------------------------------------------------
|        |        |        |        |        |                
0        1000     2000     3000     4000     5000

以相同的方式，值表中的值与包含它的范围相关联，例如， 2093将与范围[2000,3000)相关联。

2个表之间的连接将在代表该部分的值上，例如[1652,3701]和2093将加入[2000,3000)

部分

create table val_range (id int,from_val bigint,to_val bigint);

insert into val_range values
    (1,1200,1500)
   ,(2,2200,2700)
   ,(3,1700,1900)
   ,(4,2100,2150)
;   

create table val (id int,val bigint);

insert into val values
    (1,1777)    
   ,(2,2122)    
   ,(3,1832)    
   ,(4,1340)
;

set n=1000;

select      v.id
           ,v.val
           ,r.from_val
           ,r.to_val

from       (select  r.*
                   ,floor(from_val/${hiveconf:n}) + pe.i    as match_val

            from    val_range r
                    lateral view    posexplode
                                    (
                                        split
                                        (
                                            space
                                            (
                                                cast
                                                (
                                                    floor(to_val/${hiveconf:n}) 
                                                  - floor(from_val/${hiveconf:n}) 

                                                    as int
                                                )
                                            )
                                           ,' '
                                        )
                                    ) pe as i,x
            ) r

            join    val v

            on      floor(v.val/${hiveconf:n})    =
                    r.match_val

where       v.val between r.from_val and r.to_val

order by    v.id        
;

+------+-------+------------+----------+
| v.id | v.val | r.from_val | r.to_val |
+------+-------+------------+----------+
|    1 |  1777 |       1700 |     1900 |
|    2 |  2122 |       2100 |     2150 |
|    3 |  1832 |       1700 |     1900 |
|    4 |  1340 |       1200 |     1500 |
+------+-------+------------+----------+

使用impala按范围连接表的有效方法

1 个答案: