1.order by
hive中的order by会对查询结果集执行一个全局排序,这也就是说map阶段中所有数据会在一个ruduce中进行处理,对于大数据集是一个很大的消耗
使用场景:当需要对查询结果进行全局排序,并且数据量较小的情况下,可以使用order by。
、
2.sort by
hive中的sort by 是执行一个局部排序的过程。这可以保证每个ruduce输出的数据是有序的,但并非全局有序。
使用场景:前提reduce个数大于1,当需要按照指定的列对查询结果进行局部排序,而不要求全局有序时,可以使用sort by。
3.distribute by(不会对reduce中数据排序)
distribute by 控制map的输出在reduce中如何划分的;MapReduce框架依据map输入的key值计算想用的hash值,然后按照得到的hash值将键值对均匀分布到多个reduce中。sort by 是对每个reduce排序,redue中会有一部分数据相同,会造成一部分数据重叠。比如统计同一年的数据,这时候可以使用distribute by将相同数据分到一个reduce中,然后再用sort by
使用场景:distribute by通常与sort by或cluster by一起使用,以控制数据的分区和排序。当需要按照指定的列对数据进行分发,并且可能需要后续的排序操作时,可以使用distribute by。
4.cluster by
cluster by 不仅有distribute by的功能,还会有reduce中的数据进行排序,相当于
cluster by=distribute by+sort by