hive排序

Posted 2021-01-01 wakerwang

1、order by 会对输入做全局排序，因此只有一个reducer，会导致当输入规模较大时，需要较长的计算时间。

2、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只保证每个reducer的输出有序，不保证全局有序。即每个文件是有序的。如果mapred.reduce.tasks=1,sort by结果和order by 一样，一般sort by 不单独使用，而是和distribute by 一起使用。

3、distribute by(字段)根据指定的字段将数据分到不同的reducer，且分发算法是hash散列常和sort by排序一起使用。

 1）.distribute by负责把文件哈希散列到不同文件，sort by负责给不同文件进行排序。

 2）.当然必须要设置set mareduce.job.reduces 数量，设置的reduces数量个数，就是实际hash散列的文件个数，因为hash 散列的是通过hash值与reduce个数取模决定存储在哪个文件里的。所以如果不设置 reduces个数，即使distribute by+sort by结果还是和 order by结果一样的。

4、Cluster by(字段) 除了具有Distribute by的功能外，还会对该字段进行类似sort by的排序。

     因此，如果分桶和sort字段是同一个时，此时，cluster by = distribute by + sort by

     分桶表的作用：最大的作用是用来提高join操作的效率；

   （思考这个问题：

           select a.id,a.name,b.addr from a join b on a.id = b.id;

          如果a表和b表已经是分桶表，而且分桶的字段是id字段

           做这个join操作时，还需要全表做笛卡尔积吗？）

举例说明：（也可用insert将查询的结果导出文件）

1. order by全局排序

    select * from em

    where empno >7800

    order by empno

    limit 3;(显示工号大于7800员工的最后三名。)

  只是针对所有数据全局排序，全局排序只有一个reducer，效率低。运行慢。

2.sort by排序,为每个reducer产生一个排序文件

  ①设置 mapreduce.job.reduces 即reduce任务个数 ，如果为1跟order by 解果一样。

     set mapreduce.job.reduces; 回车以后显示mapred.reduce.task的值

     set mapreduce.job.reduces=3;临时设置的值，一旦hive关闭重启就没用了。

  ②sort by是在reduce之间排序，

     insert overwrite local directory ‘/home/wang/mydata/sort‘

     row format delimited fields terminated by ‘ ‘

     select empno,ename ,deptno from emp

     sort by empno;

   结果是3个文件夹，随机分布的数据，然后给每个文件夹里的数据按empno进行了排序。

     insert overwrite directory ‘/user/hive/‘

     row format delimited fields terminated by ‘ ‘

     select empno,ename ,deptno from emp

     sort by empno //sort by (empno asc/dsc)

 

3.distributed 类似于mapreduce里的patition分区(根据指定值hash散列到不同文件)一般要结合sort by使用。

      set mapreduce.job.reduces=3;

      insert overwrite local directory ‘/home/wang/mydata/sort‘

      row format delimited fields terminated by ‘ ‘

      select empno,ename,deptno from emp

      distribute by deptno

      sort by empno

   这里的输出结果是sort下面三个文件夹，分别是三个部门员工的文件夹，且每个部门按工号排序

4.cluster by :除了具有Distribute by的分区的功能外，还会对该字段进行排序

    当distribute和sort字段相同时，就是cluster by，即分区的字段和排序的字段相同

    insert overwrite local directory ‘/home/wang/mydata/sort‘

    row format delimited fields terminated by ‘ ‘

    select empno,ename ,deptno from emp

    distribute by deptno

    sort by deptno;

  等价与（cluter可以用sort+distribute替换，但d+s，cluster不一定可以替换）

    insert overwrite local directory ‘/home/robot/mydata/sort‘

    row format delimited fields terminated by ‘ ‘

    select empno,ename ,deptno from emp

    cluster by depno;