Hive中order by,sort by,distribute by,cluster by的区别
一:order by
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),然而只有一个Reducer,会导致当输入规模较大时,消耗较长的计算时间。关于order by的详细介绍请参考这篇文章:Hive Order by操作。
二: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只会保证每个reducer的输出有序,并不保证全局有序。sort by不同于order by,它不受Hive.mapred.mode属性的影响,sort by的数据只能保证在同一个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(通过set mapred.reduce.tasks=n来指定),对输出的数据再执行归并排序,即可得到全部结果。
三:distribute by
distribute by是控制在map端如何拆分数据给reduce端的。hive会根据distribute by后面列,对应reduce的个数进行分发,默认是采用hash算法。sort by为每个reduce产生一个排序文件。在有些情况下,你需要控制某个特定行应该到哪个reducer,这通常是为了进行后续的聚集操作。distribute by刚好可以做这件事。因此,distribute by经常和sort by配合使用。
注:Distribute by和sort by的使用场景
1.Map输出的文件大小不均。
2.Reduce输出文件大小不均。
3.小文件过多。
4.文件超大。
四:cluster by
cluster by除了具有distribute by的功能外还兼具sort by的功能。但是排序只能是倒叙排序,不能指定排序规则为ASC或者DESC。
示例:
#sort by
- hive (hive)> select * from user;
- OK
- id name
- 1 lavimer
- 2 liaozhongmin
- 3 liaozemin
使用sort by按id降序排列:
- hive (hive)> select * from user sort by id desc;
- //MapReduce...
- Execution completed successfully
- Mapred Local Task Succeeded . Convert the Join into MapJoin
- OK
- id name
- 3 liaozemin
- 2 liaozhongmin
- 1 lavimer
- Time taken: 3.828 seconds
#distribute by
- hive (hive)> select * from user;
- OK
- id name
- 1 lavimer
- 2 liaozhongmin
- 3 liaozemin
- 100 hello
- 200 hadoop
#设置reduce的个数
- hive (hive)> set mapred.reduce.tasks=2;
- hive (hive)> set mapred.reduce.tasks;
- mapred.reduce.tasks=2
#使用带distribute by的数据从user表中导出数据
- hive (hive)> insert overwrite local directory '/usr/local/src/user.txt' select * from user distribute by id;
- //MapReduce...
- Hadoop job information for Stage-1: number of mappers: 1; number of reducers: 2
注:从上述语句执行过程可以看到启动了两个Reducer。
#导出到本地的数据
- [root@liaozhongmin5 src]# cd user.txt/
- [root@liaozhongmin5 user.txt]# ll
- 总用量 8
- -rwxrwxrwx. 1 root root 36 1月 30 14:35 000000_0
- -rwxrwxrwx. 1 root root 22 1月 30 14:35 000001_0
- [root@liaozhongmin5 user.txt]# more 000000_0
- 2<span style="white-space:pre"> </span>liaozhongmin
- 100<span style="white-space:pre"> </span>hello
- 200<span style="white-space:pre"> </span>hadoop
- [root@liaozhongmin5 user.txt]# more 000001_0
- 1<span style="white-space:pre"> </span>lavimer
- 3<span style="white-space:pre"> </span>liaozemin
- [root@liaozhongmin5 user.txt]#
注:从上述结果中,我们可以看到数据被分发到了两个Reducer中处理。
#distribute by和sort by结合使用
- hive (hive)> select * from temperature;
- OK
- year tempra
- 2008 30`C
- 2008 35`C
- 2008 32.5`C
- 2008 31.5`C
- 2008 31`C
- 2015 41`C
- 2015 39`C
- 2015 36`C
- 2015 33`C
- 2015 35`C
- 2015 37`C
#根据年份和气温对气象数据进行排序,以确保所具有相同年份的行最终都在一个reduce分区中。
- hive (hive)> select * from temperature distribute by year sort by year asc,tempra desc;
- //MapReduce...
- Hadoop job information for Stage-1: number of mappers: 1; number of reducers: 2
- //MapReduce...
- OK
- year tempra
- 2008 35`C
- 2008 32.5`C
- 2008 31`C
- 2008 31.5`C
- 2008 30`C
- 2015 41`C
- 2015 39`C
- 2015 37`C
- 2015 36`C
- 2015 35`C
- 2015 33`C
- Time taken: 17.358 seconds
Hive中order by,sort by,distribute by,cluster by的区别的更多相关文章
- hive中order by ,sort by ,distribute by, cluster by 的区别(**很详细**)
hive 查询语法 select [all | distinct] select_ condition, select_ condition from table_name a [join table ...
- hive中order by,sort by, distribute by, cluster by作用以及用法
1. order by Hive中的order by跟传统的sql语言中的order by作用是一样的,会对查询的结果做一次全局排序,所以说,只有hive的sql中制定了order by所有的 ...
- [转载]hive中order by,sort by, distribute by, cluster by作用以及用法
1. order by Hive中的order by跟传统的sql语言中的order by作用是一样的,会对查询的结果做一次全局排序,所以说,只有hive的sql中制定了order by所有的 ...
- hive中order by,sort by, distribute by, cluster by的用法
1.order by hive中的order by 和传统sql中的order by 一样,对数据做全局排序,加上排序,会新启动一个job进行排序,会把所有数据放到同一个reduce中进行处理,不管数 ...
- hive 中 Order by, Sort by ,Dristribute by,Cluster By 的作用和用法
order by 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. set ...
- hive 排序 order by sort by distribute by cluster by
order by: order by是全局排序,受hive.mapred.mode的影响. 使用orderby有一些限制: 1.在严格模式下(hive.mapred.mod ...
- hive中order by、distribute by、sort by和cluster by的区别和联系
hive中order by.distribute by.sort by和cluster by的区别和联系 order by order by 会对数据进行全局排序,和oracle和mysql等数据库中 ...
- Hadoop Hive 中的排序 Order by ,Sort by ,Distribute by以及 Cluster By
order by 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. set h ...
- [大数据相关] Hive中的全排序:order by,sort by, distribute by
写mapreduce程序时,如果reduce个数>1,想要实现全排序需要控制好map的输出,详见Hadoop简单实现全排序. 现在学了hive,写sql大家都很熟悉,如果一个order by解决 ...
随机推荐
- 【LeetCode】45. Jump Game II
Jump Game II Given an array of non-negative integers, you are initially positioned at the first inde ...
- HighCharts: 设置时间图x轴的宽度
这个x轴宽度的设置整了好久,被老板催的要死 highcharts的api文档很难找,找了半天也没找到,网上资料少,说的试了下,也没有,我用的图里api文档里没有介绍,这个属性不知道的话,根本不好找.为 ...
- iOS - Label 数字动态变化
1.数字动态变化 具体实现代码见 GitHub 源码 QExtension QCountingLabel.h /// 文本数字变化方式枚举 typedef NS_ENUM(NSUInteger, QC ...
- JVM性能监控
有时候我们会碰到下面这些问题: OutOfMemoryError,内存不足 内存泄露 线程死锁 锁争用(Lock Contention) Java进程消耗CPU过高 这些问题在日常开发中可能被很多人忽 ...
- SYS_R12 MOAC多组织底层技术实现技术分析(Oracle VPD) (案例)
2014-05-30 Created By BaoXinjian
- OGG_GoldenGate数据库配置DDL同步(案例)
2014-03-08 Created By BaoXinjian
- Linux内核同步 - Read/Write spin lock
一.为何会有rw spin lock? 在有了强大的spin lock之后,为何还会有rw spin lock呢?无他,仅仅是为了增加内核的并发,从而增加性能而已.spin lock严格的限制只有一个 ...
- Linux内核(9) - 精华版 之 方法论
到目前为之,博客上分享的精华篇都可以归为方法论的范畴,在很多时候,都是方法论要比细节紧要得多.而这些精华篇又可细分为三个专题:Linux大史记:内核学习的方法论:驱动开发的方法论. Linux大史记 ...
- lua学习笔记13:协程具体解释和举例
一.coroutine.create创建协程 參数是协程的主函数,返回一个thread对象 co = coroutine.create(function() print("coroutine ...
- 判断当前用户有无Administrator的权限
很方便的一个函数,有兴趣的看看! /************************************************************************/ /* 函数说明: ...