全局排序( Order By)
Order By: 全局排序, 一个 Reducer
-
使用 ORDER BY 子句排序
ASC( ascend) : 升序( 默认)
DESC( descend) : 降序 -
ORDER BY 子句在 SELECT 语句的结尾
-
set hive.mapred.mode=nonstrict; (default value / 默认值) set hive.mapred.mode=strict;
order by 和数据库中的Order by 功能一致,按照某一项 & 几项 排序输出。
与数据库中 order by 的区别在于在hive.mapred.mode = strict 模式下 必须指定 limit 否则执行会报错。
-
案例实操
(1) 查询员工信息按工资升序排列
hive (default)> select * from emp order by sal;
(2) 查询员工信息按工资降序排列
hive (default)> select * from emp order by sal desc;
PS: FAILED: Error in semantic analysis: 1:28 In strict mode, if ORDER BY is specified, LIMIT must also be specified. Error encountered near token ‘id’
原因: 在order by 状态下所有数据会到一台服务器进行reduce操作也即只有一个reduce,如果在数据量大的情况下会出现无法输出结果的情况,如果进行 limit n ,那只有 n * map number 条记录而已。只有一个reduce也可以处理过来。
Sort By
sort by: 对全局结果集来说不是排序。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只保证每个reducer的输出有序,不保证全局有序。
sort by 不受 hive.mapred.mode 是否为strict ,nostrict 的影响
sort by 的数据只能保证在同一reduce中的数据可以按指定字段排序。
注意:可以用limit子句大大减少数据量。使用limit n后,传输到reduce端(单机)的数据记录数就减少到n* (map个数)。否则由于数据过大可能出不了结果。
-
设置 reduce 个数
hive (default)> set mapreduce.job.reduces=3;
-
查看设置 reduce 个数
hive (default)> set mapreduce.job.reduces;
-
根据部门编号降序查看员工信息
hive (default)> select * from emp sort by empno desc;
-
将查询结果导入到文件中( 按照部门编号降序排序)
hive (default)> insert overwrite local directory '/opt/module/datas/sortby-result' select * from emp sort by deptno desc;
分区排序( Distribute By)
Distribute By: 类似 MR 中 partition, 进行分区, 结合 sort by 使用。
注意, Hive 要求 DISTRIBUTE BY 语句要写在 SORT BY 语句之前。对于 distribute by 进行测试, 一定要分配多 reduce 进行处理, 否则无法看到 distribute by
的效果。
案例实操:
-
先按照部门编号分区, 再按照员工编号降序排序。
hive (default)> set mapreduce.job.reduces=3; hive (default)> insert overwrite local directory '/opt/module/datas/distribute-result' select * from emp distribute by deptno sort by empno desc;
-
按照指定的字段对数据进行划分到不同的输出reduce / 文件中。
insert overwrite local directory '/home/hadoop/out' select * from test order by name distribute by length(name);
此方法会根据name的长度划分到不同的reduce中,最终输出到不同的文件中。
Cluster By
当 distribute by 和 sorts by 字段相同时, 可以使用 cluster by 方式。
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。
以下两种写法等价
hive (default)> select * from emp cluster by deptno;
hive (default)> select * from emp distribute by deptno sort by deptno;
注意: 按照部门编号分区, 不一定就是固定死的数值, 可以是 20 号和 30 号部门分到一个分区里面去。