hive排序
Posted wakerwang
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排序相关的知识,希望对你有一定的参考价值。
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;
以上是关于hive排序的主要内容,如果未能解决你的问题,请参考以下文章
Hive学习 排序:order bysort bydistribute bycluster by