目录
前言
Hive中这四种by各有区别,相互之间衔接一些联系,值得简单总结一下,有利于不同场景下的切换使用。
一、基本介绍
order by:
根据字段列,对行进行排序
语法:
colOrder: ( ASC | DESC )
colNullOrder: (NULLS FIRST | NULLS LAST) -- (Note: Available in Hive 2.1.0 and later)
orderBy: ORDER BY colName colOrder? colNullOrder? (',' colName colOrder? colNullOrder?)*
query: SELECT expression (',' expression)* FROM src orderBy
示例:
## 对col1的列值,进行降序排序,空值置于首位
select col1 from t1 order by col1 desc nulls first
sort by:
根据字段列,对行进行排序
语法:
colOrder: ( ASC | DESC )
sortBy: SORT BY colName colOrder? (',' colName colOrder?)*
query: SELECT expression (',' expression)* FROM src sortBy
示例:
## 对col1的列值,进行降序排序
select col1 from t1 sort by col1 desc
order by和sort by的区别:
order by保证在输出结果中,全局有序;sort by只能保证reducer内有序,二者作用范围不同!
换言之,输出只产生一个reducer时,二者的执行结果一致;
输出产生多个reducer时,二者的执行结果绝大可能会存在差异;
order by如果要保证全局有序,会在reducer阶段排序完之后,再进行归并排序,所以当设置多个reducer时,order by势必比sort by更消耗性能;
故order by和sort by的使用需视场景而定,能使用sort by的时候,尽量使用sort by!
cluster by:
Cluster By 是 Distribute By 和 Sort By 的快捷方式
示例:
## 根据col1进行cluster,先distribute,再sort
SELECT col1, col2 FROM t1 CLUSTER BY col1
sort by和cluster by的区别:
二者区别是:后者多出一个distribute by的处理环节;
即cluster,先进行distribute by,再进行sort by;
而sort by,显然只进行sort by;
distribute by:
根据字段列,将数据行分配到不同的reducer;
规则是:先将全部的reducer进行编号,数据行最终被分配到哪个reducer,取决于计算得出的编号,计算方法是:编号=hash(字段值) % reducer的数量;
示例:
## 根据col1将数据行分配到不同的reducer中
SELECT col1, col2 FROM t1 DISTRIBUTE BY col1
用户可以指定 Distribute By 和 Sort By,而不是指定 Cluster By,因此分区列和排序列可以不同。
示例:
## 根据col1,将数据行分配到不同的reducer,在每个reducer中按照col1升序,col2降序
SELECT col1, col2 FROM t1 DISTRIBUTE BY col1 SORT BY col1 ASC, col2 DESC
总结
只使用sort by,数据随机分配到reducer中,不会出现数据倾斜问题;
使用cluster by或者distribute by,因为使用了hash的规则,有很大可能会出现数据倾斜问题;
总而言之,根据场景选择合适的by。