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。

mid money name
AA 15.0 商店1
AA 20.0 商店2
BB 22.0 商店3
CC 44.0 商店4

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。

点击此处
隐藏目录