order by 会最终在一个reducer上面做排序,全局统一
sort by 一般会和distribute by配合使用,distribute by会把按照后面跟的字段把数据打到同一个 reducer 上面,然后根据sort by在相应的reducer上面做局部聚合
cluster by 是distribute by和sort by的结合,不过只能按照某一个字段来排序
另外使用distribute by rand() 可以解决数据倾斜或者部分reducer计算压力较大的问题
比如
select city_name
,sum(sales_amt) as city_sales_amt
from (
select city_name,
sales_amt
from dwd.dwd_testing_sales_id
where pt = '20220714'
distribute by pmod(hash(1000* rand()),100)
) t
group by city_name
上述的代码会先根据1000* rand()后取hash值,再将跟100取模后的结果,发送到后面100个reducer中。 这样可以避免少量reducer计算大量的值。