- order by,sort by,distribute by,cluster by的区别
一:order by
order by会对输入做全局排序,因此只有一个Reducer(多个Reducer无法保证全局有序),然而只有一个Reducer,会导致当输入规模较大时,消耗较长的计算时间。
set hive.mapred.mode默认为nonstrict,在strict模式下使用order by必须执行limit,否则报错
二:sort by
sort by不是全局排序,其在数据进入reducer前完成排序,因此,如果用sort by进行排序,并且设置mapred.reduce.tasks>1,(mapred.reduce.tasks=1效果和orderby 是一样的)则sort by只会保证每个reducer的输出有序,并不保证全局有序。
sort by不同于order by,它不受hive.mapred.mode属性的影响,sort by的数据只能保证在同一个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(通过set mapred.reduce.tasks=n来指定),对输出的数据再执行归并排序,即可得到全部结果。
三:distribute by
distribute by是控制在map端如何拆分数据给reduce端的。hive会根据distribute by后面列,对应reduce的个数进行分发,默认是采用hash算法。通常和sort by搭配使用,sort by为每个reduce产生一个排序文件。在有些情况下,你需要控制某个特定行应该到哪个reducer,这通常是为了进行后续的聚集操作。distribute by刚好可以做这件事。
因此,distribute by经常和sort by配合使用。比如对同一年份中的温度进行排序:distribute by year sort by temperature,distribute by保证了同一reducer中接受到的是同一年份的数据,而sort by是对reducer排序
注:Distribute by和sort by的使用场景
1.Map输出的文件大小不均。
2.Reduce输出文件大小不均。
3.小文件过多。
4.文件超大。
四:cluster by
当distribute by和sorts by的字段相同时,可以使用cluster by方式,cluster by除了具有distribute by的功能外还兼具sort by的功能。但是排序只能是升序(ASC)排序,不能指定排序规则为ASC或者DESC。
- Hive 工作原理?
1)用户提交查询等任务给Driver
2) 编译器获得该用户的任务Plan
3) 编译器Compiler根据用户任务去MetaStore中获取需要的Hive的元数据信息。
4.)编译器Compiler得到元数据信息,对任务进行编译,先将HiveQL转换为抽象语法树,然后将抽象语法树转换成查询块,将查询块转化为逻辑的查询计划,重写逻辑查询计划,将逻辑计划转化为物理的计划(MapReduce), 最后选择最佳的策略。
5)将最终的计划提交给Driver。
6) Driver将计划Plan转交给ExecutionEngine去执行,获取元数据信息,提交给NodeManager执行该任务,任务会直接读取HDFS中文件进行相应的操作。
7) 获取执行的结果。
8) 取得并返回执行结果。