Hive基础之排序

order by

1、order by会对输入按照指定字段做全局排序，输出结果有序，因此只有一个reducer（多个reducer无法保证全局排序，手工设定reduce数量无效）；

　　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，速度很非常慢；在数据量大的情况下慎用order by；

2、hive.mapred.mode（默认值是nonstrict）对order by的影响

　　1）当hive.mapred.mode=nonstrict时，order by和关系型数据库中的order by功能一致，按照指定的某一列或多列排序输出；

　　2）当hive.mapred.mode=strict时，order by必须要使用limit，否则执行会报错；

set hive.mapred.mode=strict;
select * from emp order by empno desc;

FAILED: SemanticException 1:27 In strict mode, if ORDER BY is specified, LIMIT must also be specified. Error encountered near token 'empno'

　　3）当hive.mapred.mode=strict时，分区表必须要指定partition进行查询，否则执行会报错；

FAILED: SemanticException [Error 10041]: No partition predicate found for Alias "xxx" Table "xxxx"；

3、select * from emp where empno > 7782 order by empno desc;的执行过程

从表中读取数据，执行where条件，然后以empno的值做为key，其他列值做为value，然后把数据传到同一个reduce中，根据需要的排序方式进行排序；

注意：where是在map阶段执行的，而非reduce阶段执行。

sort by

1、使用sort by可以指定reduce的个数：set mapred.reduce.tasks=10; 对输出的数据在进行归并排序即可得到全部结果；

2、sort by非分区表不受hive.mapred.mode是否是strict还是nostrict的影响（不需要强制使用limit限制）；如果是分区表，必须指定partition字段；

3、sort by的数据只能保证在同一个reduce中的数据可以按照指定字段排序；

4、可以用limit子句大大减少数据量。使用limit n后，传输到reduce端的数据记录数就减少到n* （map个数）；

set mapred.reduce.tasks = 3;
select * from emp sort by empno;

7654    MARTIN  SALESMAN        7698    1981-9-28       1250.0  1400.0  30
7698    BLAKE   MANAGER 7839    1981-5-1        2850.0  NULL    30
7782    CLARK   MANAGER 7839    1981-6-9        2450.0  NULL    10
7788    SCOTT   ANALYST 7566    1987-4-19       3000.0  NULL    20
7839    KING    PRESIDENT       NULL    1981-11-17      5000.0  NULL    10
7844    TURNER  SALESMAN        7698    1981-9-8        1500.0  0.0     30
7499    ALLEN   SALESMAN        7698    1981-2-20       1600.0  300.0   30
7521    WARD    SALESMAN        7698    1981-2-22       1250.0  500.0   30
7566    JONES   MANAGER 7839    1981-4-2        2975.0  NULL    20
7876    ADAMS   CLERK   7788    1987-5-23       1100.0  NULL    20
7900    JAMES   CLERK   7698    1981-12-3       950.0   NULL    30
7934    MILLER  CLERK   7782    1982-1-23       1300.0  NULL    10
7369    SMITH   CLERK   7902    1980-12-17      800.0   NULL    20
7902    FORD    ANALYST 7566    1981-12-3       3000.0  NULL    20

把上面的结果写到文件中再观察：每个文件中都是按照empno的升序排列的

set mapred.reduce.tasks = 3;
insert overwrite local directory '/home/spark/data' select * from emp sort by empno;

cd /home/spark/data
ls
000000_0
000001_0
000002_0

more 000000_0
7654MARTINSALESMAN76981981-9-281250.01400.030
7698BLAKEMANAGER78391981-5-12850.0\N30
7782CLARKMANAGER78391981-6-92450.0\N10
7788SCOTTANALYST75661987-4-193000.0\N20
7839KINGPRESIDENT\N1981-11-175000.0\N10
7844TURNERSALESMAN76981981-9-81500.00.030

more 000001_0
7499ALLENSALESMAN76981981-2-201600.0300.030
7521WARDSALESMAN76981981-2-221250.0500.030
7566JONESMANAGER78391981-4-22975.0\N20
7876ADAMSCLERK77881987-5-231100.0\N20
7900JAMESCLERK76981981-12-3950.0\N30
7934MILLERCLERK77821982-1-231300.0\N10

more 000002_0
7369SMITHCLERK79021980-12-17800.0\N20
7902FORDANALYST75661981-12-33000.0\N20

可见每个reduce内部的数据是经过排序的。

distribute by

1、按照指定的字段把数据分散到不同的reduce文件中（可以指定map到reduce端分发的key，这样可以充分利用hadoop资源，在多个reduce中局部按需要排序的字段进行排序）；可以设定reduce个数；

set mapred.reduce.tasks = 3;
insert overwrite local directory '/home/spark/data' select * from emp  distribute by length(ename) sort by empno; 

cd /home/spark/data
ls
000000_0
000001_0
000002_0

more 000000_0
7654MARTINSALESMAN76981981-9-281250.01400.030
7844TURNERSALESMAN76981981-9-81500.00.030
7934MILLERCLERK77821982-1-231300.0\N10

more 000001_0
7521WARDSALESMAN76981981-2-221250.0500.030
7839KINGPRESIDENT\N1981-11-175000.0\N10
7902FORDANALYST75661981-12-33000.0\N20

more 000002_0
7369SMITHCLERK79021980-12-17800.0\N20
7499ALLENSALESMAN76981981-2-201600.0300.030
7566JONESMANAGER78391981-4-22975.0\N20
7698BLAKEMANAGER78391981-5-12850.0\N30
7782CLARKMANAGER78391981-6-92450.0\N10
7788SCOTTANALYST75661987-4-193000.0\N20
7876ADAMSCLERK77881987-5-231100.0\N20
7900JAMESCLERK76981981-12-3950.0\N30

length是内建函数，也可以指定其他的函数或者使用UDF；

2、distribute by与sort by连用：按照ename指定到reduce，每个reduce中按照ename升序排列；

set mapred.reduce.tasks = 3;
insert overwrite local directory '/home/spark/data' select * from emp  distribute by ename sort by ename; 

cd /home/spark/data
ls
000000_0
000001_0
000002_0

more 000000_0
7698BLAKEMANAGER78391981-5-12850.0\N30
7839KINGPRESIDENT\N1981-11-175000.0\N10

more 000001_0
7876ADAMSCLERK77881987-5-231100.0\N20
7499ALLENSALESMAN76981981-2-201600.0300.030
7654MARTINSALESMAN76981981-9-281250.01400.030
7934MILLERCLERK77821982-1-231300.0\N10
7788SCOTTANALYST75661987-4-193000.0\N20
7844TURNERSALESMAN76981981-9-81500.00.030

more 000002_0
7782CLARKMANAGER78391981-6-92450.0\N10
7902FORDANALYST75661981-12-33000.0\N20
7900JAMESCLERK76981981-12-3950.0\N30
7566JONESMANAGER78391981-4-22975.0\N20
7369SMITHCLERK79021980-12-17800.0\N20
7521WARDSALESMAN76981981-2-221250.0500.030

3、如果sort by只有一个reduce时，和order by输出结果一致；

4、select * from emp where empno>7782 distribute by ename sort by ename;执行过程

从表中读取数据，执行where条件；以distribute by列的值做为key，其他列值做为value，然后把数据根据key值传到不同的reduce，然后按照sort by字段进行排序；

cluster by

1、cluster by除了具有distribute by的功能外还兼备sort by功能；

2、当distribute by col1与sort by col1连用，且跟随的字段相同时，可使用cluster by简写；

select * from emp  cluster by ename; 

Hive排序总结

1、在hive中进行字段排序统计过程中，使用ORDER BY是全局排序，hive只能通过一个reduce进行排序，效率很低；

2、sort by实现部分排序，单个reduce输出的结果是有序的、效率高，通常与distribute by关键字一起使用，distribute by关键字可以指定map到reduce端的分发key， 这样可以充分利用hadoop资源， 在多个reduce中局部按需要排序的字段进行排序；

3、cluster by col1等同于distributed by col1与sort by col1组合。