一、函数特点
- 分组聚合：需配合
GROUP BY使用，将每个分组内的col值收集为数组。 - 保留重复值：与
collect_set(col)不同，collect_list不会去重，保留所有原始值（包括重复值）。 - 顺序不确定：默认不保证数组内元素的顺序（除非配合窗口函数
ORDER BY）。
二、典型应用场景
- 用户行为序列分析：将用户的多次操作按时间串联为行为路径。
- 数据结构转换：将行式存储的数据转为列式（如将多行商品标签转为单个商品的标签数组）。
- 复杂统计：计算每个分组内的所有值的列表（如收集每个班级的所有学生成绩）。
三、示例演示
场景 1：用户订单列表收集
需求：收集每个用户的所有订单 ID，生成 用户 ID → [订单 ID 列表] 的映射。
数据：
text
user_id | order_id
------------------
1 | 1001
1 | 1002
2 | 1003
2 | 1003 -- 重复订单
3 | 1004
HQL：
SELECT user_id, collect_list(order_id) AS order_list -- 收集订单 ID 到数组
FROM orders
GROUP BY user_id;
结果：
text
user_id | order_list
---------------------
1 | [1001, 1002]
2 | [1003, 1003] -- 保留重复值
3 | [1004]
场景 2：按时间排序的用户行为路径
需求：将用户的点击行为按时间顺序串联为路径（如 首页→商品页→购物车）。
数据（user_behavior 表）：
text
user_id | action_time | page
-----------------------------------
1 | 2025-07-24 10:00:00 | 首页
1 | 2025-07-24 10:05:00 | 商品页
1 | 2025-07-24 10:10:00 | 购物车
2 | 2025-07-24 09:30:00 | 搜索页
2 | 2025-07-24 09:40:00 | 商品页
HQL：
SELECT user_id, concat_ws('→', collect_list(page ORDER BY action_time)) AS behavior_path
FROM user_behavior
GROUP BY user_id;
结果：
text
user_id | behavior_path
------------------------
1 | 首页→商品页→购物车
2 | 搜索页→商品页
关键点：
ORDER BY action_time确保数组元素按时间排序。concat_ws('→', ...)将数组元素用→连接为字符串。
场景 3：JSON 数组生成（结合 explode 反向操作）
需求：将每个商品的多个标签从多行转为 JSON 数组格式。
数据（product_tags 表）：
text
product_id | tag
-----------------
101 | 电子产品
101 | 手机
102 | 服装
102 | 男装
102 | 休闲装
HQL：
SELECT product_id, collect_list(tag) AS tags_array -- 生成标签数组
FROM product_tags
GROUP BY product_id;
结果：
text
product_id | tags_array
-------------------------
101 | ["电子产品", "手机"]
102 | ["服装", "男装", "休闲装"]
延伸：若需转为 JSON 字符串，可结合 to_json() 函数：
to_json(collect_list(tag)) AS tags_json -- 输出："["电子产品","手机"]"
四、注意事项
- 内存风险：若单个分组的数据量过大（如某个用户有百万级订单），可能导致 OOM（内存溢出），需控制分组数据规模或增加内存。
- 与
collect_set对比：collect_list保留重复值，且不保证顺序（除非显式ORDER BY）。collect_set自动去重，但同样不保证顺序。
- 数组长度限制：默认无限制，但过长的数组会影响性能，建议结合业务逻辑提前过滤无效数据。
五、性能优化建议
配合窗口函数排序：若需严格按时间排序，可先通过窗口函数生成排序字段，再 collect_list。
WITH sorted_orders AS (
SELECT user_id, order_id, ROW_NUMBER() OVER (PARTITION BY user_id ORDER BY order_time) AS rn
FROM orders
)
SELECT user_id, collect_list(order_id ORDER BY rn) AS ordered_orders
FROM sorted_orders
GROUP BY user_id;
过滤先行：在 GROUP BY 前通过 WHERE 减少数据量，避免不必要的计算。
示例：
SELECT user_id, collect_list(order_id)
FROM orders
WHERE order_date >= '2025-01-01' -- 先过滤近一年订单
GROUP BY user_id;
通过 collect_list，可高效地将多行数据合并为结构化数组，为复杂分析（如路径挖掘、序列预测）提供基础，是 Hive 中处理'一对多'关系的核心工具之一。
