order by sort by distribute by cluster by

Order by

[plain]  view plain copy

1. colOrder: ( ASC | DESC )  
2. orderBy: ORDER BY colName colOrder? (',' colName colOrder?)*  
3. query: SELECT expression (',' expression)* FROM src orderBy  

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）
只有一个reducer，会导致当输入规模较大时，需要较长的计算时间。
在hive.mapred.mode=strict模式下，强制必须添加limit限制，这么做的目的是减少reducer数据规模，例如，当限制limit 100时， 如果map的个数为50， 则reducer的输入规模为100*50

Sort by

[plain]  view plain copy

1. colOrder: ( ASC | DESC )  
2. sortBy: SORT BY colName colOrder? (',' colName colOrder?)*  
3. query: SELECT expression (',' expression)* FROM src 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， 则sort by只保证每个reducer的输出有序，不保证全局有序。

Distribute by
根据distribute by指定的内容将数据分到同一个reducer

Cluster by

除了具有Distribute by的功能外，还会对该字段进行排序。因此，常常认为cluster by = distribute by + sort by

1. order by

 

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。

 

 

 

hive> select * from test order by id;     

FAILED: Error in semantic analysis: 1:28 In strict mode, if ORDER BY is specified, LIMIT must also be specified. Error encountered near token 'id'

 

原因： 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

 

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=<number>） 这样可以输出更多的数据。

 

对输出的数据再执行归并排序，即可以得到全部结果。

 

3. distribute by

 

按照指定的字段对数据进行划分到不同的输出reduce  / 文件中。

 

 

insert overwrite local directory '/home/hadoop/out' select * from test order by name distribute by length(name);  

 

此方法会根据name的长度划分到不同的reduce中，最终输出到不同的文件中。 

 

length 是内建函数，也可以指定其他的函数或这使用自定义函数。

 

 

 

4. Cluster By

 

cluster by 除了具有 distribute by 的功能外还兼具 sort by 的功能。 

 

 

倒序排序，且不能指定排序规则。 asc  或者 desc。