Hive中order by,sort by, distribute by, cluster by區別,用法詳解
1. order by
Hive中的order by跟傳統的sql語言中的order by作用是一樣的,會對查詢的結果做一次全域性排序,所以說,只有hive的sql中制定了order by所有的資料都會到同一個reducer進行處理(不管有多少map,也不管檔案有多少的block只會啟動一個reducer)。但是對於大量資料這將會消耗很長的時間去執行。
這裡跟傳統的sql還有一點區別:如果指定了hive.mapred.mode=strict(預設值是nonstrict),這時就必須指定limit來限制輸出條數,原因是:所有的資料都會在同一個reducer端進行,資料量大的情況下可能不能出結果,那麼在這樣的嚴格模式下,必須指定輸出的條數。
2. sort by
Hive中指定了sort by,那麼在每個reducer端都會做排序,也就是說保證了局部有序(每個reducer出來的資料是有序的,但是不能保證所有的資料是有序的,除非只有一個reducer),好處是:執行了區域性排序之後可以為接下去的全域性排序提高不少的效率(其實就是做一次歸併排序就可以做到全域性排序了)。
3. distribute by
distribute by和sort by一起使用
ditribute by是控制map的輸出在reducer是如何劃分的,舉個例子,我們有一張表,mid是指這個store所屬的商戶,money是這個商戶的盈利,name是這個store的名字
store:
mid |
money |
name |
AA |
15.0 |
商店1 |
AA |
20.0 |
商店2 |
BB |
22.0 |
商店3 |
CC |
44.0 |
商店4 |
執行hive語句:
select mid, money, name from store distribute by mid sort by mid asc, money asc
我們所有的mid相同的資料會被送到同一個reducer去處理,這就是因為指定了distribute by mid,這樣的話就可以統計出每個商戶中各個商店盈利的排序了(這個肯定是全域性有序的,因為相同的商戶會放到同一個reducer去處理)。這裡需要注意的是distribute by必須要寫在sort by之前。
4. cluster by
cluster by的功能就是distribute by和sort by相結合,如下2個語句是等價的:
select mid, money, name from store cluster by mid
select mid, money, name from store distribute by mid sort by mid
如果需要獲得與3中語句一樣的效果:
select mid, money, name from store cluster by mid sort by money
注意被cluster by指定的列只能是降序,不能指定asc和desc。