大数据开发：hive sql 中的4个by排序方法

在平时的Hive数仓开发工作中经常会用到排序，而Hive中支持的排序方式有四种

• order by
• sort by
• distribute by
• cluster by

1）order by（全局排序）：只有一个reducer

        order by 会对输入的数据做全局排序，因此只有一个reducer（多个reducer无法保证全局有序），也正因为只有一个reducer，所以当输入的数据规模较大时会导致计算时间较长。
　　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（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 (每个MapReduce内部排序) :每个Reducer内部进行排序，对全局结果集来说不是排序

        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， 则sort by只保证每个reducer的输出有序，不保证全局有序。
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=n）,对输出的数据再执行归并排序，即可以得到全部结果。（注意：可以用limit子句大大减少数据量。使用limit n后，传输到reduce端（单机）的数据记录数就减少到n* （map个数）。否则由于数据过大可能出不了结果。）

3）distribute by（分区排序）：类似MR中partition（自定义分区），进行分区，结合sort by使用

        在有些情况下，我们需要控制某个特定行应该到哪个reducer，通常是为了进行后续的聚集操作。distribute by和sort by的常见使用场景有：

• Map输出的文件大小不均
• Reduce输出文件大小不均
• 小文件过多
• 文件超大

4）cluster by ：当distribute by和sorts by字段相同时，可以使用cluster by方式代替

        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排序，不能像distribute by一样去指定排序的规则为ASC或者DESC，否则报错。