Hive中order by，sort by，distribute by，cluster by的区别
分类： Hive（36）
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
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本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
