Hive 中的 order by、sort by、distribute by 和 cluster by

order by

全局排序，默认升序, Hive在运行MR程序时会指定Reducer个数为1
默认Reducer个数为-1, 根据运行时HQL语句解析结果指定

示例:
1）查询员工信息按工资升序排列

hive (default)> select * from emp order by salaray;

2）查询员工信息按工资降序排列

hive (default)> select * from emp order by salaray desc;

3. 按照部门和工资升序排序(二次排序)

hive (default)> select name, deptno, salaray from emp order by deptno, salaray;

Tips:

• 查看当前Reducer个数: set mapreduce.job.reduces;
• 设置Reducer个数: set mapreduce.job.reduces=3;
  即使设置, 使用order by, Hive在运行MR程序时也会设置为1覆盖
• Hive中的表排版不美观, 可以使用beeline, 带有分割线

sort by

局部排序，每个Reducer内部进行排序，最后组合成结果
若需要全局排序结果, 只需再进行一次归并排序即可

需要根据实际情况设置Reducer个数

示例
按照部门编号降序排列, 并将查询结果导入到文件中

hive (default)> insert overwrite local directory '/opt/module/hive-datas/sortby-result' 
select * from emp sort by salaray desc;

distribute by

分区排序 类似 MR 中 partition，进行分区，采用的是 HashPartition, 通常结合 sort by 使用

同样需要设置多个 Reducer, 在 Reducer 中根据 key 进行排序
但是这里 Hive 所使用的 key 并不是表中的 key, 而是 Hive 指定的多列结合的特殊 key:
所使用的变量 mapreduce.map.ouput.key.class 为 org.apache.hadoop.hive.ql.io.HiveKey

所以如果想要排序, 需要结合 sort by 使用
注意: distribute by 语句要写在 sort by 语句之前

示例
按部门编号分区，并按员工编号降序排列

hive (default)> insert overwrite local directory '/opt/module/hive-datas/distribute-result' 
select * from emp distribute by deptno sort by empno desc;

cluster by

簇排序 当 distribute by 和 sorts by 字段相同时，可使用 cluster by 方式替代
cluster by 具有 distribute by 和 sort by 的组合功能。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;

按照部门编号分区，不一定就是固定的数值，可以是20号和30号部门分到一个分区。

cluster by 和 distribute by 是很相似的, 也采用HashPartition, 相当于他的升级版
最大的不同是, cluster by 里含有一个分桶的方法

create table emp_buck(id int, name string)
clustered by(id) 
into 4 buckets
row format delimited fields terminated by '\t';