Hive中SELECT TOP N的方法(order by与sort by的区别)

我想说的SELECT TOP N是取最大前N条或者最小前N条。

Hive提供了limit关键字，再配合order by可以很容易地实现SELECT TOP N。

但是在Hive中order by只能使用1个reduce，如果表的数据量很大，那么order by就会力不从心。

例如我们执行SQL：select a from ljntest01 order by a limit 10;

控制台会打印出：Number of reduce tasks determined at compile time: 1

说明启动的reduce数量是编译时确定的。

查看该SQL的执行计划，该SQL只启动1个JOB。 

假设数据表有1亿条数据，而我们只想取TOP 10，那对1亿条数据在1个reduce中做全排序是非常不合理的。

幸好有sort by，使用sort by替换order by就可以解决这个问题：

select a from ljntest01 sort by a limit 10;

首先执行该SQL控制台打印出：Number of reduce tasks not specified. Estimated from input data size: 1

说明reduce数不是编译时确定的，而是根据输入文件大小动态确定的。

此外查看该SQL的执行计划：

STAGE DEPENDENCIES:

  Stage-1 is a root stage

  Stage-2 depends on stages: Stage-1

  Stage-0 is a root stage 

STAGE PLANS:

  Stage: Stage-1

    Map Reduce

      Alias -> Map Operator Tree:

        ljntest01

          TableScan

            alias: ljntest01

            Select Operator

              expressions:

                    expr: a

                    type: int

              outputColumnNames: _col0

              Reduce Output Operator

                key expressions:

                      expr: _col0

                      type: int

                sort order: +

                tag: -1

                value expressions:

                      expr: _col0

                      type: int

      Reduce Operator Tree:

        Extract

          Limit

            File Output Operator

              compressed: true

              GlobalTableId: 0

              table:

                  input format: org.apache.hadoop.mapred.SequenceFileInputFormat

                  output format: org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat

 

  Stage: Stage-2

    Map Reduce

      Alias -> Map Operator Tree:

        hdfs://hdpnn:9000/group/alidw-cbu/tmp/hive-admin/hive_2012-12-16_01-19-42_893_2878471909568139281/-mr-10002

            Reduce Output Operator

              key expressions:

                    expr: _col0

                    type: int

              sort order: +

              tag: -1

              value expressions:

                    expr: _col0

                    type: int

      Reduce Operator Tree:

        Extract

          Limit

            File Output Operator

              compressed: true

              GlobalTableId: 0

              table:

                  input format: org.apache.hadoop.mapred.TextInputFormat

                  output format: org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat

 

  Stage: Stage-0

    Fetch Operator

      limit: 10 

sort by可以启动多个reduce，每个reduce做局部排序，但是这对于sort by limit N已经够用了。从执行计划中可以看出sort by limit N启动了两个JOB。第一个JOB是在每个reduce中做局部排序，然后分别取TOP N。假设启动了M个reduce，第二个JOB再对M个reduce分别局部排好序的总计M * N条数据做全局排序，取TOP N，从而得到想要的结果。这样就可以大大提高SELECT TOP N的效率。