一、官方文档
Home - Apache Hive - Apache Software Foundation
LanguageManual - Apache Hive - Apache Software Foundation
LanguageManual SortBy - Apache Hive - Apache Software Foundation
二、译文
LanguageManual SortBy
- 由Confluence管理员创建,最后由Lefren Leverenz于2017年7月8日修改
- order by,sort by ,distribute by 和 cluster by
order by ,sort by,cluster by 和 distribute by
这描述了SELECT子句ORDER BY,SORT BY,CLUSTER BY和DISTRIBUTE BY的语法。有关常规信息,请参阅选择语法。
命令的语法
该ORDER BY在Hive SQL语法类似的语法ORDER BY在SQL语言。
“order by”子句有一些限制。在严格模式(即hive.mapred.mode = strict)中,order by子句必须后跟一个“limit”子句。如果将hive.mapred.mode设置为非限制,则不需要限制子句。原因是为了强加所有结果的总顺序,必须有一个redcue对最终输出进行排序。如果输出中的行数太大,则单个还原器可能需要很长时间才能完成。
请注意,列以名称而不是位置号指定。但是在Hive 0.11.0及更高版本中,可以通过位置指定列 ,配置如下:
- 对于Hive 0.11.0到2.1.x,将hive.groupby.orderby.position.alias设置 为true(默认值为false)。
- 对于Hive 2.2.0及更高版本, 默认情况下, hive.orderby.position.alias为true。
默认排序顺序为升序(ASC)。
在Hive 2.1.0及更高版本中,支持为“order by”子句中的每个列指定空排序顺序。ASC顺序的默认空排序顺序为NULLS FIRST,而DESC顺序的默认空排序顺序为NULLS LAST。
在Hive 3.0.0及更高版本中,优化器将删除子查询和视图中的无限制排序。要禁用它,请将hive.remove.orderby.in.subquery设置 为false。
排序方式的语法
该排序语法类似于语法ORDER BY在SQL语言。
Hive使用SORT BY中的列对行进行排序,然后将行提供给reducer。排序顺序将依赖于列类型。如果列是数字类型,则排序顺序也以数字顺序排列。如果列是字符串类型,则排序顺序将是字典顺序。
在Hive 3.0.0及更高版本中, 优化器将删除子查询 和 视图中的无限制排序 。要禁用它,请将hive.remove.orderby.in.subquery设置 为false。
order by 与 sort by之间的差异
Hive支持SORT BY,每个reducer对数据进行排序。“order by”和“sort by”之间的区别是前者保证输出中的总顺序,而后者仅保证在reducer中的行的排序。如果有多个reducer,“sort by”可能会部分订购最终结果。
注意:单独列出的单独列与单独的列之间的区别可能令人困惑。区别在于CLUSTER BY按字段分区,如果有多个reducer分区,则可以随机分配SORT BY,以便在reducer上均匀分布数据(并加载)。
基本上,每个reducer中的数据将按照用户指定的顺序进行排序。以下示例显示
查询有2个reducer,每个的输出是:
sort by 方式的设置类型
变换后,变量类型通常被认为是字符串,这意味着数字数据将按字典顺序分类。为了克服这一点,在使用SORT BY之前,可以使用带有转换的第二个SELECT语句。
cluster by 和 distribute by 的语法
Cluster By和Distribute By主要用于转换/映射 - 减少脚本。但是,如果需要对后续查询的查询输出进行分区和排序,那么在SELECT语句中有时是有用的。
Cluster By是分发和排序的快捷方式。
Hive使用Distribute By中的列在reducer之间分配行。具有相同分布列的所有行将转到同一个reducer。但是,Distribute By不能保证分布式密钥上的集群或排序属性。
例如,我们将以下5行的“ 分布式x ” 分配给2个reducer:
reducer1得到
reducer2得到
请注意,具有相同键x1的所有行都保证分发到同一个reducer(在这种情况下为reducer 1),但是它们不能保证在相邻位置中聚类。
相比之下,如果我们使用Cluster By x,则两个reducers将进一步排序x上的行:
reducer1得到
reducer2得到
用户可以指定“ CLUSTER BY
和排序”,而不是指定“ 群集”,因此分区列和排序列可以不同。通常的情况是分区列是排序列的前缀,但不是必需的。
三、有网友已经总结如下
参考:https://www.bbsmax.com/A/q4zVVj2GzK/
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.mapred.mode=nonstrict; (default value / 默认值)
set hive.mapred.mode=strict;
order by 和数据库中的Order by 功能一致,按照某一项&几项排序输出。
与数据库中 order by 的区别在于在hive.mapred.mode = strict 模式下 必须指定 limit 否则执行会报错。
hive> select * from test order by id;
FAILED: Error in semantic analysis: 1:28 In strict mode, if ORDER BY is specified, LIMIT must also be specified.
Error encountered near token 'id'
原因: 在order by 状态下所有数据会到一台服务器进行reduce操作也即只有一个reduce,如果在数据量大的情况下会出现无
法输出结果的情况,如果进行 limit n ,那只有 n * map number 条记录而已。只有一个reduce也可以处理过来。
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只保证每个reducer的输出有序,不保证全局
有序。
sort by 不受 hive.mapred.mode 是否为strict ,nostrict 的影响
sort by 的数据只能保证在同一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 (set mapred.reduce.tasks=<number>),对输出的数据再执行归并排序,即
可以得到全部结果。
注意:可以用limit子句大大减少数据量。使用limit n后,传输到reduce端(单机)的数据记录数就减少到n* (map个数)。
否则由于数据过大可能出不了结果。
distribute by
按照指定的字段对数据进行划分到不同的输出reduce / 文件中。
insert overwrite local directory '/home/hadoop/out' select * from test order by name distribute by length(name);
此方法会根据name的长度划分到不同的reduce中,最终输出到不同的文件中。
length 是内建函数,也可以指定其他的函数或这使用自定义函数。
cluster by
cluster by 除了具有 distribute by 的功能外还兼具 sort by 的功能。
但是排序只能是倒序排序,不能指定排序规则为asc 或者desc。