Hive 差集运算

差集定义：一般地,设A,B是两个集合,由所有属于A且不属于B的元素组成的集合,叫做集合A减集合B(或集合A与集合B之差)。

                   类似地,对于集合A，B,我们把集合{x/x∈A,且x￠B}叫做A与B的差集,记作A－B记作A－B(或A\B)；

                   即A－B＝{x|x∈A,且x ￠B}(或A\B＝{x|x∈A,且x ￠B} B－A＝{x/x∈B且x￠A} 叫做B与A的差集。

比如说有这么两个表：

hive> select * from A;
OK
1 2
1 3
2 1
2 3
3 1
Time taken: 0.3 seconds, Fetched: 5 row(s)
hive> select * from B;
OK
1 2
1 4
2 2
2 3
Time taken: 0.086 seconds, Fetched: 4 row(s)

要取出A与B的差集（A-B）：

1 3
2 1
3 1

Hive可不可以用not in？可以，但只能用于单个字段。select * from A where (uid,goods) not in (select uid,goods from B);这个oracle是支持的，但hive不行。

hive> select * from A  where uid not in (select uid from B);
3 1
Time taken: 46.09 seconds, Fetched: 1 row(s)

Hive可不可以用not exists？显然也可以！ 

hive> select * from A  where not exists (select * from B where A.uid=B.uid and A.goods=B.goods);
1 3
2 1
3 1
Time taken: 12.989 seconds, Fetched: 3 row(s)

不过前两种貌似很费资源，在ODPS里都有限制，下面来介绍一下hive常用的求差集方法，左（右）连接 left outer join

先看一下左连接之后表是什么样的

hive> select * from A a left outer join B b on a.uid=b.uid and a.goods=b.goods;
1 2 1 2
1 3 NULL  NULL
2 1 NULL  NULL
2 3 2 3
3 1 NULL  NULL
Time taken: 12.735 seconds, Fetched: 5 row(s)

现在只要取出B的uid和goods为null的行就可以了

hive> select a.* from A a left outer join B b on a.uid=b.uid and a.goods=b.goods where b.uid is null and b.goods is null;
1 3
2 1
3 1
Time taken: 13.023 seconds, Fetched: 3 row(s)