hive的四个by

1.order by col_list：
     全局排序，默认为升序asc ,因此只有一个reducer,只有一个reduce task的结果，
比如文件名是000000_0,会导致当输入规模较大时，需要较长的计算时间。
    如果指定了hive.mapred.mode=strict（默认值是nonstrict）,这时就必须指定limit来限制输出条数，原因是：所有的数据都会在同一个reducer端进行，数据量大的情况下可能不能出结果，那么在这样的严格模式下，必须指定输出的条数。 对被排序列进行全排序，且只启动一个MR任务。

例如：stu:按照年龄排序

1	select * from stu_test order by age desc;

结果：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

id name sex age 11 wf f 24 10 wb m 23 15 ch f 22 8  cl f 22 5  ll f 21 12 jj m 21 13 yy m 20 7  xh f 20 3  ww m 20 9  fj m 19 6  hl f 19 2  ls m 19 14 ld f 18 1  zs m 18 4  zq f 18

2.sort by col_list :

局部排序，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,
则sort by 只保证每个reducer的输出有序，不保证全局排序。
在每一个reducetask中，每一个小的输出结果排序，但是当reducetask的个数为1的话和order by 的排序结果一致
注意：sort by 指定的字段仅仅是用于排序的字段，不用于分reducetask输出结果，最终的输出文件中的结果是随机生成的

1	select * from stu_test sort by age desc;

结果：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

id name sex age 11 wf f 24 10 wb m 23 15 ch f 22 8  cl f 22 5  ll f 21 12 jj m 21 13 yy m 20 7  xh f 20 3  ww m 20 9  fj m 19 6  hl f 19 2  ls m 19 14 ld f 18 1  zs m 18 4  zq f 18

正常（set mapreduce.job.reduces=1）结果和sort by 的结果一致
如果设置reduce task 个数为3的话： set mapreduce.job.reduces=3，此时不一致

1 2	set mapreduce.job.reduces=3 select * from stu_test sort by age desc;

结果：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

id name sex age 10 wb m 23 15 ch f 22 8 cl f 22 5 ll f 21 7 xh f 20 9 fj m 19 6 hl f 19   11 wf f 24 12 jj m 21 3 ww m 20 2 ls m 19 14 ld f 18 4 zq f 18   13 yy m 20 1 zs m 18

随机生成3个文件，然后在每个文件中进行排序。

3.distribute by col_list：

根据指定的字段将数据分到不同的reducer,且分发算法是hash散列
类似于分桶的概念 按照指定的distribute by 字段和 设置的reducetask的个数进行取余分组，但是并没有排序，只是分，没有排序
select * from stu_test distribute by age desc; 错误，不能使用desc,因为它不是排序的意思

1 2	set mapreduce.job.reduces=3 select * from stu_test distribute by age；

结果：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

id name sex age 000000_0 age%3=0 14 ld f 18 1  zs m 18 4  zq f 18 12 jj m 21 11 wf f 24 5  ll f 21 000000_1 age%3=1 15 ch f 22 9  fj m 19 6  hl f 19 2  ls m 19 8  cl f 22 000000_1 age%3=2 13 yy m 20 7  xh f 20 3  ww m 20 10 wb m 23

 

1 2 3

set mapreduce.job.reduces=2   select * from stu_test distribute by age；

 

结果：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

000000_0 age%2=0 15 ch f 22 14 ld f 18 13 yy m 20 11 wf f 24 8 cl f 22 7 xh f 20 4 zq f 18 3 ww m 20 1 zs m 18 000000_0 age%2=1 12 jj m 21 6 hl f 19 10 wb m 23 9 fj m 19 5 ll f 21 2 ls m 19

4.cluster by col_list ：

除了具有distribute by 的功能外，还会对该字段进行排序
cluster by = distribute by+sort by
cluster by id = distribute by id +sort by id
注意：1）cluster by 和sort by 不可以同时使用
2）当分组字段和排序字段是同一个字段的时候 cluster by id = distribute by id +sort by id
不是同一个字段的时候 请不要使用 cluster by id

1	select * from stu_test cluster by age；

结果：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

id name sex age 000000_0 age%3=0 14 ld f 18 4  zq f 18 1  zs m 18 12 jj m 21 5  ll f 21 11 wf f 24 000000_1 age%3=1 6  hl f 19 2  ls m 19 9  fj m 19 15 ch f 22 8  cl f 22 000000_1 age%3=2 3  ww m 20 13 yy m 20 7  xh f 20 10 wb m 23

附加group by与distribute by的区别

    都是按key值划分数据 都使用reduce操作 **唯一不同的是，distribute by只是单纯的分散数据，distribute by col – 按照col列把数据分散到不同的reduce。而group by把相同key的数据聚集到一起，后续必须是聚合操作