使用Impala按范围联接表的有效方法

Question

我有下表，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  |
...

该From和To是bigint和是互斥的。该Range表包括180万条记录。附加表（Values）包含270万条记录，如下所示：

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

我想创建一个表，如下所示：

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

我用于BETWEEN上述任务，但查询永无止境：

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式联接替换theta联接（非等式联接），这将导致良好的分布+高效的局部联接算法。

范围（无穷大，无穷大）被分割为一部分n长度。
范围表中的每个范围都与其相交的部分相关联。

例如，给定n =
1000，范围[1652,3701]将与section关联[1000,2000)，[2000,3000)并且[3000,4000)（并且将具有3条记录，每个section
1条）

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

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

以相同的方式，将值表中的值与包含该值的范围相关联，例如，2093将与range关联[2000,3000)。

2个表之间的联接将在表示该节的值上进行，例如[1652,3701]，2093并且将在该节上进行联接[2000,3000)

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 |
+------+-------+------------+----------+