Sort By、Order By、Cluster By及Distribute By的区别

问题分析

考官主要考察你对hive排序的理解，以判断你的hive和sql基础是否扎实，排序是hive中常有的操作，比较重要。

核心问题讲解

笼统地看，这四个语法在hive中都有排序和聚集的作用，然而，它们在执行时所启动的MR却各不相同。

• 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。

• Sort By

Hive中指定了sort by，那么在每个reducer端都会做排序，也就是说保证了局部有序（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）。

• distribute by

ditribute by是控制map的输出在reducer是如何划分的，举个例子，我们有一张表，mid是指这个store所属的商户id，money是这个商户的盈利，name是这个store的名字。

执行hive语句: 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。

• 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。

问题扩展

在hive的使用中，有很多相似的语法函数，比如分区和分桶，日期转换函数unix_timestamp和from_unixtime等，遇到类似问题要善于总结分析，以便在工作中能够灵活运用。

结合项目中使用

对于配置信息等少量数据的排序，可以使用order by语句；对于数据量大的排序操作，使用distribute by和sort by，或者使用cluster by来进行降序排序。