hive order by sort by distribute by和sort by一起使用 cluster by
Posted huiandong
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 order by sort by distribute by和sort by一起使用 cluster by相关的知识,希望对你有一定的参考价值。
1. order by
Hive中的order by跟传统的sql语言中的order by作用是一样的,会对查询的结果做一次全局排序,所以说,只有hive的sql中制定了order by所有的数据都会到同一个reducer进行处理(不管有多少map,也不管文件有多少的block只会启动一个reducer)。但是对于大量数据这将会消耗很长的时间去执行。
这里跟传统的sql还有一点区别:如果指定了hive.mapred.mode=strict(默认值是nonstrict),这时就必须指定limit来限制输出条数,原因是:所有的数据都会在同一个reducer端进行,数据量大的情况下可能不能出结果,那么在这样的严格模式下,必须指定输出的条数
2. sort by
在每个reducer端都会做排序,保证了局部有序(每个reducer出来的数据是有序的,但是不能保证所有的数据是有序的,除非只有一个reducer)
好处是:执行了局部排序之后可以为接下去的全局排序提高不少的效率(其实就是做一次归并排序就可以做到全局排序了)。
3.distribute by和sort by一起使用
ditribute by是控制map的输出在reducer是如何划分的。
select mid, money, name from store distribute by mid sort by mid asc, money asc
我们所有的mid相同的数据会被送到同一个reducer去处理,这就是因为指定了distribute by mid,这样的话就可以统计出每个商户中各个商店盈利的排序了(这个肯定是全局有序的,因为相同的商户会放到同一个reducer去处理)。这里需要注意的是distribute by必须要写在sort by之前。
4. cluster by
cluster by的功能就是distribute by和sort by相结合,如下2个语句是等价的:
- select mid, money, name from store cluster by mid
- select mid, money, name from store distribute by mid sort by mid
- 如果需要获得与3中语句一样的效果
- 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。
-
CLUSTERED BY子句指定要用于存储的列以及要创建的存储桶数
以上是关于hive order by sort by distribute by和sort by一起使用 cluster by的主要内容,如果未能解决你的问题,请参考以下文章
Hive之cluster by , distribute by,order by,sort by
hive中order by,sort by, distribute by, cluster by的用法
Hive中order by,sort by,distribute by,cluster by的区别
Hive SORT BY vs ORDER BY vs DISTRIBUTE BY vs CLUSTER BY