HIVE中IN的坑

問題：為什麼HIVE中用了 NOT IN，結果集沒了？

  註：這個是原創，轉載請註明，謝謝！
直接進實驗室>>

> select * from a;
OK
1 a1
2 a2
3 a3
Time taken: 0.063 seconds, Fetched: 3 row(s)

hive> select * from b;
OK
1 b1
2 b2
NULL b3
Time taken: 0.063 seconds, Fetched: 3 row(s)

# 兩表通過id匹配，求 A-B ,用 left join實現
hive> select t1.id,t1.name,t2.name from a t1
> left join b t2 on t1.id = t2.id
> where t2.name is null
OK
3 a3 NULL
Time taken: 34.123 seconds, Fetched: 1 row(s)

# 兩表通過id匹配，求 A-B ，用 NOT IN 實現
select * from a where id not in ( select id from b );
OK
Time taken: 34.123 seconds, Fetched: 0 row(s)

這裡有詭異了，為什麼結果集沒了呢？ 不能啊？？

原因：

在RMDB中， t1.id IN （select t2.id from b t2 ） 等價於 ： t1 join b t2 on t1.id = t2.id and t1.id is not null
在hive中，雖然我們的版本已經高達2.0.0，但是對於IN的處理還是就比較簡陋，沒有對null值進行屏蔽，導致凡是子查詢中有null值， 條件就會變成： id in ( null) , 當然， id in ( null) 這個條件是永遠不會有結果的。

正確的用法：

# 兩表通過id匹配，求 A-B ，用 NOT IN 實現
select * from a where id not in ( select id from b where id is not null );
OK
3 a3 NULL
Time taken: 34.123 seconds, Fetched: 1 row(s)

各位不妨可以做個試驗：
--沒結果
hive> select * from a where id not in (null);
OK
Time taken: 3.603 seconds