排序技巧–distribute by 与sort by 配合使用代替 order by
order by:将结果按某个字段全局排序,导致所有map端数据都进入一个reduce中,在数据量大时可能会长时间计算不完。
sort by:会视情况启动多个reducer进行排序,并且保证每个reducer内局部有序。为了控制map端数据分配到reduce的key,往往还要配合distribute by一同使用均匀分配数据。如果不加distribute by的话,map端数据就会随机分配给reducer。
去重技巧-- 用 group by 代替 distinct
distinct :放在一台服务器上最后使用一个reduce去执行
group by :多台服务器一起执行
聚合技巧–grouping sets、cube、rollup
1.grouping sets
场景:做用户画像时,要看用户的性别分布,城市分布,等级分布等等,虽然可以拆分开来写,然后通过union all将数据拼起来,但是效率比较低,这时候就可以使用grouping sets;
聚合规则在括号中进行指定,未被GROUP BY的列将显示为NULL;
2.cube(如果无类似需求,不建议直接使用cube进行全分组)
场景:如果要看性别、城市、等级的各种组合的用户分布,这个时候如果用grouping sets括号内就要写很长,比如 GROUPING SETS ( sex ,city ,level, ( sex,city ) ,( sex ,level) , ( city , level ) , ( sex,city , level ) ) ,这个时候就可以使用cube。
3.rollup
场景:字段之间有强关联,比如时间,年的下面有细分的月,月下面有细分的天,比如要算每个月的支付金额以及每年的总支付金额,此时就可以用rollup。
rollup:以最左侧的维度为主,进行层级聚合,是cube的子集。
4.灰度分布
histogram_numeric( 列,100),可对具体列进行灰度直方图分布分析