order by,sort by,distribute by,cluster by的区别是什么？

前言

本文隶属于专栏《1000个问题搞定大数据技术体系》，该专栏为笔者原创，引用请注明来源，不足和错误之处请在评论区帮忙指出，谢谢！

本专栏目录结构和参考文献请见1000个问题搞定大数据技术体系

正文

1. order by 会对所给的全部数据进行全局排序，不管来多少数据，都只启动一个reducer来处理 。
2. sort by是 局部排序，sort by会根据数据量的大小启动一到多个 reducer 来干活，并且，它会在进入 reduce 之前为每个 reducer 都产生一个排序文件 。
3. distribute by 控制 map 结果的分发，它会将具有相同字段的 map 输出分发到一个 reduce 节点上做处理 。
4. cluster by 可以理解为一个特殊的 distribute by 和 sort by 的结合，当 distribute by 和 sort by 后面所跟的列名相同时，就等同于直接使用 cluster by 跟上该列名。
但是被cluster by指定的列最终的排序结果只能是降序，而且无法指定 asc 和 desc。

补充

1. order by 全局排序

全局排序，只有一个reduce

使用 order by 子句排序

1. asc (ascend)—— 升序 (默认)
2. desc (descend)—— 降序

order by 子句在 select 语句的结尾

2. distribute by 分区排序

distribute by 类似 MapReduce 中 partition，采集 hash 算法，在 map 端将查询的结果中 hash 值相同的结果分发到对应的 reduce 文件中。需要结合sort by使用。

注意： Hive要求 distribute by 语句要写在 sort by 语句之前。

3. cluster by

• 当 distribute by 和 sort by 字段相同时，可以使用 cluster by 方式

• 除了 distribute by 的功能外，还会对该字段进行排序，所以 cluster by = distribute by + sort by

--以下两种写法等价

insert overwrite local directory '/home/hadoop/hivedata/distribute_sort' 
select * from student distribute  by score sort  by score;


insert overwrite local directory '/home/hadoop/hivedata/cluster' 
select * from student cluster by score;

实践

1. 查询学生的成绩，并按照分数降序排列

select * from student s order by score desc;

2. 按照别名排序

• 按照学生分数的平均值排序

select s.sid，s.tname， avg(score)  as score_avg  from student s  group by  s.sid，s.tname order by score_avg  desc;

3. 多列排序

• 按照学生分数和年龄升序排序

select *  from student s order by score，age;

4. 每个 MapReduce 内部排序（Sort By）局部排序

sort by：每个reducer内部进行排序，对全局结果集来说不是排序。

1、设置reduce个数

set mapreduce.job.reduces=3;

2、查看设置reduce个数

set mapreduce.job.reduces;

3、查询成绩按照成绩降序排列

select * from student s sort by s.score;

4、将查询结果导入到文件中（按照成绩降序排列）

insert overwrite local directory '/home/hadoop/hivedata/sort' select * from student s sort by s.score;

5. 先按照学生 sid 进行分区，再按照学生成绩进行排序

1、设置reduce的个数

set mapreduce.job.reduces=3;

2、通过 distribute by 进行数据的分区，将不同的 sid 划分到对应的 reduce 当中去

insert overwrite local directory '/home/hadoop/hivedata/distribute' select * from student distribute by sid sort by score;