Hive中SELECT TOP N的方法(order by与sort by)

原文地址：http://blog.sina.com.cn/s/blog_6ff05a2c0101eaxf.html
我想说的SELECT TOP N是取最大前N条或者最小前N条。

Hive提供了limit关键字，再配合order
by可以很容易地实现SELECT TOP N。

但是在Hive中order by只能使用1个reduce，如果表的数据量很大，那么order
by就会力不从心。

例如我们执行SQL：select a from
ljntest01 order by a limit 10;

控制台会打印出：Number of reduce tasks determined at compile time: 1

说明启动的reduce数量是编译时确定的。

查看该SQL的执行计划，该SQL只启动1个JOB。
假设数据表有1亿条数据，而我们只想取TOP
10，那对1亿条数据在1个reduce中做全排序是非常不合理的。

幸好有sort by，使用sort by替换order
by就可以解决这个问题：

select a from ljntest01 sort by a limit 10;

首先执行该SQL控制台打印出：Number of
reduce tasks not specified. Estimated from input data size: 1

说明reduce数不是编译时确定的，而是根据输入文件大小动态确定的。

此外查看该SQL的执行计划：
STAGE DEPENDENCIES:

Stage-1 is a root stage

Stage-2 depends on stages: Stage-1

Stage-0 is a root stage
STAGE PLANS:

Stage: Stage-1

Map Reduce

Alias -> Map Operator Tree:

ljntest01

TableScan

alias: ljntest01

Select Operator

expressions:

expr: a

type: int

outputColumnNames: _col0

Reduce Output Operator

key expressions:

expr: _col0

type: int

sort order: +

tag: -1

value expressions:

expr: _col0

type: int

Reduce Operator Tree:

Extract

Limit

File Output Operator

compressed: true

GlobalTableId: 0

table:

input format: org.apache.hadoop.mapred.SequenceFileInputFormat

output format: org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat

Stage: Stage-2

Map Reduce

Alias -> Map Operator Tree:

hdfs://hdpnn:9000/group/alidw-cbu/tmp/hive-admin/hive_2012-12-16_01-19-42_893_2878471909568139281/-mr-10002

Reduce Output Operator

key expressions:

expr: _col0

type: int

sort order: +

tag: -1

value expressions:

expr: _col0

type: int

Reduce Operator Tree:

Extract

Limit

File Output Operator

compressed: true

GlobalTableId: 0

table:

input format: org.apache.hadoop.mapred.TextInputFormat

output format: org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat

Stage: Stage-0

Fetch Operator

limit: 10
sort by可以启动多个reduce，每个reduce做局部排序，但是这对于sort
by limit N已经够用了。从执行计划中可以看出sort by limit N启动了两个JOB。第一个JOB是在每个reduce中做局部排序，然后分别取TOP
N。假设启动了M个reduce，第二个JOB再对M个reduce分别局部排好序的总计M
* N条数据做全局排序，取TOP N，从而得到想要的结果。这样就可以大大提高SELECT
TOP N的效率。