1. 程式人生 > >hive 中 order by ,sort by ,distribute by ,cluster by 詳解

hive 中 order by ,sort by ,distribute by ,cluster by 詳解

1. order by

order by 會對輸入做全域性排序,因此只有一個reducer(多個reducer無法保證全域性有序)
只有一個reducer,會導致當輸入規模較大時,需要較長的計算時間。

set hive.mapred.mode=nonstrict; (default value / 預設值)

set hive.mapred.mode=strict;

order by 和資料庫中的Order by 功能一致,按照某一項 & 幾項 排序輸出。

與資料庫中 order by 的區別在於在hive.mapred.mode = strict 模式下 必須指定 limit 否則執行會報錯。

 hive> select * from test order by id;     

FAILED: Error in semantic analysis: 1:28 In strict mode, if ORDER BY is specified, LIMIT must also be specified. Error encountered near token 'id'

原因: 在order by 狀態下所有資料會到一臺伺服器進行reduce操作也即只有一個reduce,如果在資料量大的情況下會出現無法輸出結果的情況,如果進行 limit n ,那只有 n * map number 條記錄而已。只有一個reduce也可以處理過來。

2. sort by

sort by不是全域性排序,其在資料進入reducer前完成排序.

因此,如果用sort by進行排序,並且設定mapred.reduce.tasks>1, 則sort by只保證每個reducer的輸出有序,不保證全域性有序。

sort by 不受 hive.mapred.mode 是否為strict ,nostrict 的影響

sort by 的資料只能保證在同一reduce中的資料可以按指定欄位排序。

使用sort by 你可以指定執行的reduce 個數 (set mapred.reduce.tasks=<number>

),對輸出的資料再執行歸併排序,即可以得到全部結果。

注意:可以用limit子句大大減少資料量。使用limit n後,傳輸到reduce端(單機)的資料記錄數就減少到n* (map個數)。否則由於資料過大可能出不了結果。

3. distribute by

按照指定的欄位對資料進行劃分到不同的輸出reduce / 檔案中。

 insert overwrite local directory '/home/hadoop/out' select * from default.test  distribute by length(name) sort by name;  

此方法會根據name的長度劃分到不同的reduce中,最終輸出到不同的檔案中。

length 是內建函式,也可以指定其他的函式或這使用自定義函式。

4. Cluster By

當distribute by 和 sort by 欄位相同時 就可以使用它來替代

歡迎關注,更多福利

這裡寫圖片描述