Hive中order by,sort by, distribute by, cluster by

面试中问到了这些问题，今天特意全方位的总结一下。另外，数据思维比技术更重要。

1.Order by

Hive中的order by跟传统的 sql 语言中的order by作用一样，会对查询的结果做一次全局排序。所以只有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。

如果指定了hive.mapred.mode=strict（默认值是nonstrict）,就必须指定limit来限制输出条数，因为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。

    select product,quantity from sales_product limit 2000 order by product 

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）。

优点：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。

3.distribute by

ditribute by是控制map的输出在reducer是如何划分的，举个栗子，一张表，product是指这个sales_table产品，quantity是这个销量。

    select product,quantity from sales_table distribute by product

那么同一类product将会发送到一个reducer处理，如果product之间的销量差距很大，这样会造成数据倾斜。

4.cluster by

cluster by的功能就是distribute by和sort by相结合，如

  select product, district,quantity from sales_table cluster by product  

等同于

  select product, district,quantity from sales_table distribute by product sort by product 

本文由贝克汉姆 创作，采用 知识共享署名-相同方式共享 3.0 中国大陆许可协议 进行许可。

转载、引用前需联系作者，并署名作者且注明文章出处。

本站文章版权归原作者及原出处所有 。内容为作者个人观点， 并不代表本站赞同其观点和对其真实性负责。本站是一个个人学习交流的平台，并不用于任何商业目的，如果有任何问题，请及时联系我们，我们将根据著作权人的要求，立即更正或者删除有关内容。本站拥有对此声明的最终解释权。