Hive中collect相关的函数有collect_list和collect_set。
它们都是将分组中的某列转为一个数组返回，不同的是collect_list不去重而collect_set去重。
做简单的实验加深理解，创建一张实验用表，存放用户每天点播视频的记录：
|
1
2
3
4
5
|
create table t_visit_video ( username string, video_name string) partitioned by (day string)row format delimited fields terminated by ','; |
在本地文件系统创建测试数据文件：
|
1
2
3
4
5
6
7
8
|
张三,大唐双龙传李四,天下无贼张三,神探狄仁杰李四,霸王别姬李四,霸王别姬王五,机器人总动员王五,放牛班的春天王五,盗梦空间 |
将数据加载到Hive表：
|
1
|
load data local inpath '/root/hive/visit.data' into table t_visit_video partition (day='20180516'); |
按用户分组，取出每个用户每天看过的所有视频的名字：
|
1
|
select username, collect_list(video_name) from t_visit_video group by username ; |
但是上面的查询结果有点问题，因为霸王别姬实在太好看了，所以李四这家伙看了两遍，这直接就导致得到的观看过视频列表有重复的，所以应该增加去重，使用collect_set，其与collect_list的区别就是会去重：
|
1
|
select username, collect_set(video_name) from t_visit_video group by username; |
李四的观看记录中霸王别姬只出现了一次，实现了去重效果。
突破group by限制
还可以利用collect来突破group by的限制，Hive中在group by查询的时候要求出现在select后面的列都必须是出现在group by后面的，即select列必须是作为分组依据的列，但是有的时候我们想根据A进行分组然后随便取出每个分组中的一个B，代入到这个实验中就是按照用户进行分组，然后随便拿出一个他看过的视频名称即可：
|
1
|
select username, collect_list(video_name)[0] from t_visit_video group by username; |
video_name不是分组列，依然能够取出这列中的数据。