hive distribute by 和group by 的区别

Posted

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了hive distribute by 和group by 的区别相关的知识，希望对你有一定的参考价值。

hive
distribute
by
和group
by
的区别：
group
by是对检索结果的保留行进行单纯分组，一般总爱和聚合函数一块用例如AVG（），COUNT（），max（），main（）等一块用。
distribute
by是控制在map端如何拆分数据给reduce端的。hive会根据distribute
by后面列，对应reduce的个数进行分发，默认是采用hash算法。sort
by为每个reduce产生一个排序文件。在有些情况下，你需要控制某个特定行应该到哪个reducer，这通常是为了进行后续的聚集操作。distribute
by刚好可以做这件事。因此，distribute
by经常和sort
by配合使用。
注：Distribute
by和sort
by的使用场景
1.Map输出的文件大小不均。
2.Reduce输出文件大小不均。
3.小文件过多。
4.文件超大。
抛砖引玉，不足之处还望大神指正~ 参考技术A 1、order
by
order
by
会对数据进行全局排序,和oracle和mysql等数据库中的order
by
效果一样，它只在一个reduce中进行所以数据量特别大的时候效率非常低。而且当设置
：set
hive.
mapred.
mode
=strict的时候不指定limit，执行select会报错，如下：limit
must
also
be
specified.
2、sort
by
sort
by
是单独在各自的reduce中进行排序，所以并不能保证全局有序，一般和distribute
by
一起执行，而且distribute
by
要写在sort
by前面。
如果mapred.reduce.tasks=1和order
by效果一样，如果大于1会分成几个文件输出每个文件会按照指定的字段排序，而不保证全局有序。
sort
by
不受
hive.mapred.mode
是否为strict
,nostrict
的影响
3、distribute
by
用distribute
by
会对指定的字段按照hashcode值对reduce的个数取模，然后将任务分配到对应的reduce中去执行，就是在mapreduce程序中的patition分区过程，默认根据指定key.hashcode()&integer.max_value%numreduce
确定处理该任务的reduce。
4、cluster
by
distribute
by
和
sort
by
合用就相当于cluster
by，但是cluster
by
不能指定排序为asc或
desc
的规则，只能是desc倒序排列。

Hive中order by，sort by，distribute by，cluster by的区别

一：order by

order by会对输入做全局排序，因此只有一个Reducer(多个Reducer无法保证全局有序)，然而只有一个Reducer，会导致当输入规模较大时，消耗较长的计算时间。关于order by的详细介绍请参考这篇文章：Hive Order by操作。

 

二：sort by

sort by不是全局排序，其在数据进入reducer前完成排序，因此，如果用sort by进行排序，并且设置mapred.reduce.tasks>1，则sort by只会保证每个reducer的输出有序，并不保证全局有序。sort by不同于order by，它不受hive.mapred.mode属性的影响，sort by的数据只能保证在同一个reduce中的数据可以按指定字段排序。使用sort by你可以指定执行的reduce个数(通过set mapred.reduce.tasks=n来指定)，对输出的数据再执行归并排序，即可得到全部结果。

 

三：distribute by

distribute by是控制在map端如何拆分数据给reduce端的。hive会根据distribute by后面列，对应reduce的个数进行分发，默认是采用hash算法。sort by为每个reduce产生一个排序文件。在有些情况下，你需要控制某个特定行应该到哪个reducer，这通常是为了进行后续的聚集操作。distribute by刚好可以做这件事。因此，distribute by经常和sort by配合使用。

注：Distribute by和sort by的使用场景

1.Map输出的文件大小不均。

2.Reduce输出文件大小不均。

3.小文件过多。

4.文件超大。

 

四：cluster by

cluster by除了具有distribute by的功能外还兼具sort by的功能。但是排序只能是倒叙排序，不能指定排序规则为ASC或者DESC。

 

 

示例：

#sort by

 

[java] view plain copy
 
  1. hive (hive)> select * from user;  
  2. OK  
  3. id  name  
  4. 1   lavimer  
  5. 2   liaozhongmin  
  6. 3   liaozemin  

使用sort by按id降序排列：

 

 

[java] view plain copy
 
  1. hive (hive)> select * from user sort by id desc;  
  2. //MapReduce...  
  3. Execution completed successfully  
  4. Mapred Local Task Succeeded . Convert the Join into MapJoin  
  5. OK  
  6. id  name  
  7. 3   liaozemin  
  8. 2   liaozhongmin  
  9. 1   lavimer  
  10. Time taken: 3.828 seconds  



#distribute by

 

 

[java] view plain copy
 
  1. hive (hive)> select * from user;  
  2. OK  
  3. id  name  
  4. 1   lavimer  
  5. 2   liaozhongmin  
  6. 3   liaozemin  
  7. 100 hello  
  8. 200 hadoop  

#设置reduce的个数

 

 

[java] view plain copy
 
  1. hive (hive)> set mapred.reduce.tasks=2;  
  2. hive (hive)> set mapred.reduce.tasks;    
  3. mapred.reduce.tasks=2  


#使用带distribute by的数据从user表中导出数据

 

 

[java] view plain copy
 
  1. hive (hive)> insert overwrite local directory ‘/usr/local/src/user.txt‘ select * from user distribute by id;  
  2. //MapReduce...  
  3. Hadoop job information for Stage-1: number of mappers: 1; number of reducers: 2  

注：从上述语句执行过程可以看到启动了两个Reducer。

 

#导出到本地的数据

 

[java] view plain copy
 
  1. [root@liaozhongmin5 src]# cd user.txt/  
  2. [root@liaozhongmin5 user.txt]# ll  
  3. 总用量 8  
  4. -rwxrwxrwx. 1 root root 36 1月  30 14:35 000000_0  
  5. -rwxrwxrwx. 1 root root 22 1月  30 14:35 000001_0  
  6. [root@liaozhongmin5 user.txt]# more 000000_0   
  7. 2<span style="white-space:pre">  </span>liaozhongmin  
  8. 100<span style="white-space:pre"> </span>hello  
  9. 200<span style="white-space:pre"> </span>hadoop  
  10. [root@liaozhongmin5 user.txt]# more 000001_0   
  11. 1<span style="white-space:pre">  </span>lavimer  
  12. 3<span style="white-space:pre">  </span>liaozemin  
  13. [root@liaozhongmin5 user.txt]#   

注：从上述结果中，我们可以看到数据被分发到了两个Reducer中处理。


#distribute by和sort by结合使用

 

 

[java] view plain copy
 
  1. hive (hive)> select * from temperature;  
  2. OK  
  3. year    tempra  
  4. 2008    30`C  
  5. 2008    35`C  
  6. 2008    32.5`C  
  7. 2008    31.5`C  
  8. 2008    31`C  
  9. 2015    41`C  
  10. 2015    39`C  
  11. 2015    36`C  
  12. 2015    33`C  
  13. 2015    35`C  
  14. 2015    37`C  

#根据年份和气温对气象数据进行排序，以确保所具有相同年份的行最终都在一个reduce分区中。

[java] view plain copy
 
    1. hive (hive)> select * from temperature distribute by year sort by year asc,tempra desc;  
    2. //MapReduce...  
    3. Hadoop job information for Stage-1: number of mappers: 1; number of reducers: 2  
    4. //MapReduce...  
    5. OK  
    6. year    tempra  
    7. 2008    35`C  
    8. 2008    32.5`C  
    9. 2008    31`C  
    10. 2008    31.5`C  
    11. 2008    30`C  
    12. 2015    41`C  
    13. 2015    39`C  
    14. 2015    37`C  
    15. 2015    36`C  
    16. 2015    35`C  
    17. 2015    33`C  
    18. Time taken: 17.358 seconds  

以上是关于hive distribute by 和group by 的区别的主要内容，如果未能解决你的问题，请参考以下文章

hive的 order by & distribute by & cluter by

hive中order by,sort by, distribute by, cluster by的用法

Hive中sort by，order by，cluster by，distribute by总结

hive中order by，distribute by，sort by和cluster by的区别和联系

Hive : SORT BY vs ORDER BY vs DISTRIBUTE BY vs CLUSTER BY

Hive SORT BY vs ORDER BY vs DISTRIBUTE BY vs CLUSTER BY