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。