hive/spark用法记录

1. cast()更改数据类型

cast(column_name as type)

2. get_dt_date()自定义日期操作函数（返回不带横线的日期）

select get_dt_date();–获取当前日期，返回 20170209
select get_dt_date(get_date(-2));–获取当前日期偏移，转为不带横杆的格式
select get_dt_date(‘2017-02-02’,-2);–20170131

3.ROW_NUMBER()，它为结果集的分区中的每一行分配一个连续的整数。 行号以每个分区中第一行的行号开头。

ROW_NUMBER() OVER (
    [PARTITION BY partition_expression, ... ]
    ORDER BY sort_expression [ASC | DESC], ...
)

PARTITION BY子句将结果集划分为分区。 ROW_NUMBER()函数分别应用于每个分区，并重新初始化每个分区的行号。PARTITION BY子句是可选的。如果未指定，ROW_NUMBER()函数会将整个结果集视为单个分区。ORDER BY子句定义结果集的每个分区中的行的逻辑顺序。 ORDER BY子句是必需的，因为ROW_NUMBER()函数对顺序敏感。

4.根据分区查询partitions where

5.插入或覆写数据（INSERT INTO | INSERT OVERWRITE）

执行insert into和insert overwrite操作前需要具备目标表的修改权限（Alter）及源表的元信息读取权限（Describe）。授权操作请参见权限列表

6. 千分位函数percentile(), percentile_approx()

原理点击上面链接
使用方法：1.
2.

7. row_number() over (order by column_name)输出结果会基于order by排序

select table.*,row_number() over (order by score)  as rank
from
    (
        select * from table1
		limit 100
) table2

8.extend[‘dict’] as dict_name

extend把原本是字典的序列扩展成新的一列
比如

user_id	gender
1	gender：female
2	gender：male

extend['gender'] as gender
|  user_id | gender  |
|     1    |  female |
|     2    |  male  |

9. ${yyyyMMdd,1, day}’

1表示加一天，比如输入 20220801，那么上面的变量出来的日期为20220802；
而如果是-1，则表示往前一天，比如输入20220801，那么上面的变量出来的日期为20220731

10. spark.sql.autoBroadcastJoinThreshold、spark.sql.broadcastTimeout

这个目前还不太清楚具体场景，记录下

属性	默认值	描述
spark.sql.broadcastTimeout	300	广播等待超时时间，单位秒
spark.sql.autoBroadcastJoinThreshold	10485760 (10 MB)	最大广播表的大小。设置为-1可以禁止该功能。当前统计信息仅支持Hive Metastore表