1、count(distinct user_id) 一阶段 (1个job) 一个reduce 拉取所有map输出的用户,并去重 后count
count(*) ( group by user_id) 两阶段执行(2个job) 先去重(多个reduce执行) 再count() 一个reduce执行
https://blog.csdn.net/oracle8090/article/details/80760233
-- 优化前(只有一个reduce,先去重再count负担比较大):
select count(distinct id) from tablename;
-- 优化后(启动两个job,一个job负责子查询(可以有多个reduce),另一个job负责count(1)):
select count(1) from (select distinct id from tablename) tmp;
select count(1) from (select id from tablename group by id) tmp; // 推荐使用这种
select shop,count(distinct user_id) from visit group by shop;
按照shop 分组,reduce个数与 shop相关 ,每个shop 里执行 count(distinct user_id)
把shop对应的所有的用户信息拿到放到一个reduce中执行
如10个用户,每个用户访问30次, 则每个reduce处理300个记录
select shop,count(*) from
(
select shop,user_id
from visit
group by shop,user_id
) group by shop;
按照 shop和user_id 分组, reduce个数取决于shop,user_id 共同决定
如10个用户,每个用户访问30次, 则每个reduce(shop_user_id hash分组) 处理30个记录