hive-bitmap-udf

在hive、spark中使用Roaring64Bitmap实现精确去重功能 主要目的：

1. 提升 hive、spark 中精确去重性能，代替hive或Spark 中的 count(distinct uuid)；
2. 节省 hive 存储 ，使用 bitmap 对数据压缩 ，减少了存储成本；
3. 提供在 hive、spark 中 bitmap 的灵活运算 ，比如：交集、并集、差集运算 ，计算后的 bitmap 也可以直接写入 hive 表中；

如果方便的话，还请各位帮忙点个star，为开源项目加油！

1. 项目编译

java 版本：1.8

mvn clean package

编译完成后使用jar包：hive-bitmap-udf.jar

2. 在hive中创建UDF

将 hive-bitmap-udf.jar 上传至HDFS系统或者放到本地，在spark或者hive中注册使用

add jar hdfs://node:9000/hive-bitmap-udf.jar;

CREATE TEMPORARY FUNCTION to_bitmap AS 'com.hive.bitmap.udf.ToBitmapUDAF';
CREATE TEMPORARY FUNCTION bitmap_union AS 'com.hive.bitmap.udf.BitmapUnionUDAF';

CREATE TEMPORARY FUNCTION bitmap_count AS 'com.hive.bitmap.udf.BitmapCountUDF';
CREATE TEMPORARY FUNCTION bitmap_and AS 'com.hive.bitmap.udf.BitmapAndUDF';
CREATE TEMPORARY FUNCTION bitmap_or AS 'com.hive.bitmap.udf.BitmapOrUDF';
CREATE TEMPORARY FUNCTION bitmap_xor AS 'com.hive.bitmap.udf.BitmapXorUDF';
CREATE TEMPORARY FUNCTION bitmap_to_array AS 'com.hive.bitmap.udf.BitmapToArrayUDF';
CREATE TEMPORARY FUNCTION bitmap_from_array AS 'com.hive.bitmap.udf.BitmapFromArrayUDF';
CREATE TEMPORARY FUNCTION bitmap_contains AS 'com.hive.bitmap.udf.BitmapContainsUDF';

3. UDF说明

UDF	描述	案例	结果类型
to_bitmap	将num（int或bigint） 转化为 bitmap	to_bitmap(num)	bitmap
bitmap_union	多个bitmap合并为一个bitmap（并集）	bitmap_union(bitmap)	bitmap
bitmap_count	计算bitmap中存储的num个数	bitmap_count(bitmap)	long
bitmap_and	计算两个bitmap交集	bitmap_and(bitmap1,bitmap2)	bitmap
bitmap_or	计算两个bitmap并集	bitmap_or(bitmap1,bitmap2)	bitmap
bitmap_xor	计算两个bitmap差集	bitmap_xor(bitmap1,bitmap2)	bitmap
bitmap_from_array	array 转化为bitmap	bitmap_from_array(array)	bitmap
bitmap_to_array	bitmap转化为array	bitmap_to_array(bitmap)	array
bitmap_contains	bitmap是否包含另一个bitmap全部元素	bitmap_contains(bitmap1,bitmap2)	boolean
bitmap_contains	bitmap是否包含某个元素	bitmap_contains(bitmap,num)	boolean

4. 在 hive 中创建 bitmap 类型表,导入数据并查询

CREATE TABLE IF NOT EXISTS `hive_bitmap_table`
( 
    k      int      comment 'id',
    bitmap binary   comment 'bitmap'
) comment 'hive bitmap 类型表' 
STORED AS ORC;

-- 数据写入
insert into table  hive_bitmap_table select  1 as id,to_bitmap(1) as bitmap;
insert into table hive_bitmap_table select  2 as id,to_bitmap(2) as bitmap;

-- 查询

select bitmap_union(bitmap) from hive_bitmap_table;
select bitmap_count(bitmap_union(bitmap)) from hive_bitmap_table;

select bitmap_contains(bitmap,1) from hive_bitmap_table;
select bitmap_contains(bitmap,bitmap_from_array(array(1,2))) from hive_bitmap_table;

5. 在 hive 中使用 bitmap 实现精确去重

CREATE TABLE IF NOT EXISTS `hive_table`
( 
    k      int      comment 'id',
    uuid   bigint   comment '用户id'
) comment 'hive 普通类型表' 
STORED AS ORC;

-- 普通查询（计算去重人数）

select count(distinct uuid) from hive_table;

-- bitmap查询（计算去重人数）

select bitmap_count(to_bitmap(uuid)) from hive_table;