hive中四种排序作用总结

问题导读

1.order by是全局排序还是局部排序？
2.sort by与order by有什么不同？
3.distribute by和sort by如何一起使用？




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所有的数据都会到同一个reducer进行处理（不管有多少map，也不管文件有多少的block只会启动一个reducer）。但是对于大量数据这将会消耗很长的时间去执行。
    这里跟传统的sql还有一点区别：如果指定了hive.mapred.mode=strict（默认值是nonstrict）,这时就必须指定limit来限制输出条数，原因是：所有的数据都会在同一个reducer端进行，数据量大的情况下可能不能出结果，那么在这样的严格模式下，必须指定输出的条数。

2. sort by   
Hive中指定了sort by，那么在每个reducer端都会做排序，也就是说保证了局部有序（每个reducer出来的数据是有序的，但是不能保证所有的数据是有序的，除非只有一个reducer），好处是：执行了局部排序之后可以为接下去的全局排序提高不少的效率（其实就是做一次归并排序就可以做到全局排序了）。

3. distribute by和sort by一起使用   
ditribute by是控制map的输出在reducer是如何划分的，举个例子，我们有一张表，mid是指这个store所属的商户，money是这个商户的盈利，name是这个store的名字
store:

mid	money	name
AA	15.0	商店1
AA	20.0	商店2
BB	22.0	商店3
CC	44.0	商店4

    执行hive语句：
[mw_shl_code=bash,true]select mid, money, name from store distribute by mid sort by mid asc, money asc  
[/mw_shl_code]


我们所有的mid相同的数据会被送到同一个reducer去处理，这就是因为指定了distribute by mid，这样的话就可以统计出每个商户中各个商店盈利的排序了（这个肯定是全局有序的，因为相同的商户会放到同一个reducer去处理）。这里需要注意的是distribute by必须要写在sort by之前。

4. cluster by   
cluster by的功能就是distribute by和sort by相结合，如下2个语句是等价的：
[mw_shl_code=bash,true]select mid, money, name from store cluster by mid  
[/mw_shl_code]

[mw_shl_code=bash,true]select mid, money, name from store distribute by mid sort by mid  
[/mw_shl_code]

    如果需要获得与3中语句一样的效果：

[mw_shl_code=bash,true]select mid, money, name from store cluster by mid sort by money  
[/mw_shl_code]
    注意被cluster by指定的列只能是降序，不能指定asc和desc。



作者：metooxi
来源：iteye

简单易懂！不错不错...不过distribute by 得有点Mapreduce基础才能理解。

请问：cluster by默认是降序desc，3中语句是asc升序，那么 select mid,monet,name from store cluster by mid sort by money;怎么会和3中语句实现一样的效果呢？？求教

cluster by 讲的不够清除,不是很好理解