Hive的排序——order by 、sort by、distribute by 、cluster by

爱吃辣条byte2024-02-15 18:02

Hive中的排序通常涉及到order by 、sort by、distribute by 、cluster by

一、语法

sql 复制代码

select
        column1,
        column2, ...
from table 
[where 条件] 
[group by column]
[order by column] 
[cluster by column| [distribute by column] [sort by column] 
[limit [offset,] rows];

二、排序介绍

2.1 order by

Hive的order by 与其他的sql一样，对所有数据进行排序， 即：全局排序，只有一个 Reducer。 在严格模式（set hive.mapred.mode=strict）下，执行order by 必须加上**limit 子句，避免数据集行数过大。**order by 字段，默认是升序。

2.2 distribute by和sort by

针对order by的缺点，Hive提供了distribute by 分区和sort by 排序 。例如： select * from user_info distribute by user_id sort by login_date desc;

distribute by

shuffle阶段，基于key值，可以控制数据发往具体某个分区，相同key的数据会分发到同一个reduceTask中。

distribute by 类似 MR****中的自定义分区 partition，distribute by 的分区规则是：分区字段的****hashcode值对reduce 个数取模后，余数相同的数据会分发到同一个reduceTask中。

sort by

指定sort by后，可以在每个reducer端做排序，即可以保证局部有序（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）。

指定sort by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。

2.3 cluster by

当 distribute by 和 sorts by 字段相同时，可以使用 cluster by 方式。但是排序只能是升序
排序，不能指定排序规则为 acs 或者 desc 。

sql 复制代码

select *  from user_info distribute by user_id sort by user_id;
--等价于
select *  from user_info cluster by user_id;

三、总结

order by全局排序，只有一个reducer，结果输出在一个文件中，当数据量较大时，需要较长的计算时间；
distribute by根据指定字段将数据分组，分组编号 = 【字段的hashcode 】% 【reduce数】，sort by是在分组之后，每个组内局部排序，即保障了每个reducer端的数据有序；
cluster by既有分组，又有排序，前提是分组与排序字段相同，当distribute和sort的字段是同一个时，cluster by = distribute by + sort by