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

Posted 2020-06-12

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