Hadoop Hive 中的排序 Order by ,Sort by ,Distribute by, Cluster By,

Hive 中 Order by, Sort by ,Dristribute by,Cluster By 的作用和用法

1. order by

 

set hive.mapred.mode=nonstrict; (default value / 默认值)

set hive.mapred.mode=strict;

 

order by 和数据库中的Order by 功能一致，按照某一项 & 几项 排序输出。

 

与数据库中 order by 的区别在于在hive.mapred.mode = strict 模式下 必须指定 limit 否则执行会报错。

 

 

 

hive> select * from test order by id;     

FAILED: Error in semantic analysis: 1:28 In strict mode, if ORDER BY is specified, LIMIT must also be specified. Error encountered near token 'id'

 

原因： 在order by 状态下所有数据会到一台服务器进行reduce操作也即只有一个reduce，如果在数据量大的情况下会出现无法输出结果的情况，如果进行 limit n ，那只有  n * map number 条记录而已。只有一个reduce也可以处理过来。

 

 

2. sort by

 

sort by 不受 hive.mapred.mode 是否为strict ,nostrict 的影响

 

sort by 的数据只能保证在同一reduce中的数据可以按指定字段排序。

 

使用sort by 你可以指定执行的reduce 个数 （set mapred.reduce.tasks=<number>） 这样可以输出更多的数据。

 

对输出的数据再执行归并排序，即可以得到全部结果。

 

3. distribute by

 

按照指定的字段对数据进行划分到不同的输出reduce  / 文件中。

 

 

insert overwrite local directory '/home/hadoop/out' select * from test order by name distribute by length(name);  

 

此方法会根据name的长度划分到不同的reduce中，最终输出到不同的文件中。 

 

length 是内建函数，也可以指定其他的函数或这使用自定义函数。

 

 

 

4. Cluster By

 

cluster by 除了具有 distribute by 的功能外还兼具 sort by 的功能。 

 

 

倒序排序，且不能指定排序规则。 asc  或者 desc。