通俗易懂理解Hive四种排序

前言

Hive的四种排序包括Sort By、Order By、Distribute By和Cluster By。有关这四种排序的区别，在大数据面试中可能会经常被问到，在我们很多人的实际应用中可能最常用的就是全局排序order by，因此对于其他几个排序理解并不准确，接下来我用简单的案例尽量描述清楚。

数据准备

Hive表

create table scores (
name string,
class string,
score int
);

插入数据

insert into scores values('Lily','1',72),('Mark','2',77),('Lucy','1',83),('Wade','2',92),
('Jack','1',91),('James','2',84),('Kobe','2',94),('Jay','1',85);

查询数据
```
select * from scores;
```

ORDER BY

ORDER BY 会对全局数据进行排序，这意味着Hive会启动一个单独的reducer来接收所有mapper的输出，并在这个reducer中进行排序。这种方式在数据量很大时效率很低，因为所有数据都需要通过网络传输到一个reducer。

需求

查询按照分数从高到低排序整个表的数据。

SQL

SELECT name,
       CLASS,
       score
FROM scores
ORDER BY score DESC;

结果

SORT BY

SORT BY 是在每个reducer内部进行排序的。这意味着如果你使用SORT BY而没有DISTRIBUTE BY（或CLUSTER BY，它包含了DISTRIBUTE BY），Hive可能会随机地将数据分发到不同的reducer，每个reducer内部的数据会按照SORT BY指定的列进行排序。但不同的reducer之间的数据顺序是不确定的。

需求
每个班级内部的学生按照分数排序，但不需要全局排序。

SQL（需要配合DISTRIBUTE BY使用以控制分发）

SELECT name,
       CLASS,
       score
FROM scores DISTRIBUTE BY CLASS
SORT BY score DESC;

结果

DISTRIBUTE BY

distribute by是控制在map端如何拆分数据给reduce端的。类似于MapReduce中分区partationer对数据进行分区hive会根据distribute by后面列，将数据分发给对应的reducer，默认是采用hash算法+取余数的方式。

sort by为每个reduce产生一个排序文件，在有些情况下，你需要控制某写特定的行应该到哪个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。

CLUSTER BY

cluster by除了具有distribute by的功能外还兼具sort by的功能。但是排序只能是升序排序，不能指定排序规则为ASC或者DESC。

当分区字段和排序字段相同cluster by可以简化distribute by+sort by 的SQL 写法，也就是说当distribute by和sort by 字段相同时，可以使用cluster by 代替distribute by和sort by。

需求

每个班级内部的学生按照分数排序，但不需要全局排序。

SQL

SELECT name,
       CLASS,
       score
FROM scores CLUSTER BY CLASS;

结果

总结

order by 是全局排序，可能性能会比较差；
sort by分区内有序，往往配合distribute by来确定该分区都有那些数据；
distribute by 确定了数据分发的规则，满足相同条件的数据被分发到一个reducer；
cluster by 当distribute by和sort by 字段相同时，可以使用cluster by 代替distribute by和sort by,但是cluster by默认是升序，不能指定排序方向；

参考文献

https://cwiki.apache.org/confluence/display/Hive/LanguageManual+SortBy

https://sqlrelease.com/sort-by-order-by-distribute-by-and-cluster-by-in-hive