Hive中order by,sort by,distribute by,cluster by的区别
2015-01-30 13:38
639 查看
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
#distribute by
#使用带distribute by的数据从user表中导出数据
#导出到本地的数据
#distribute by和sort by结合使用
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#设置reduce的个数
100 hello
200 hadoop
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
相关文章推荐
- hive排序:distribute by 、sort by 、cluster by 、order by 区别
- hive 之 order by,sort by, distribute by, cluster by 区别
- hive中order by,sort by,distribute by,Cluster By的区别
- Hive中order by,sort by,distribute by,cluster by的区别
- Hive中order by,sort by,distribute by,cluster by的区别
- hive 中的Sort By、 Order By、Cluster By、Distribute By 区别
- Hive中order by,sort by,distribute by,cluster by的区别
- Hive中order by,sort by,distribute by,cluster by的区别
- Hive中order by,sort by,distribute by,cluster by的区别
- hive的order by、sort by、cluster by、distribute by的区别与用法
- HIVE 中 order by, sort by, distribute by, cluster by的用法和区别
- hive 中的Sort By、 Order By、Cluster By、Distribute By 区别<转>
- hive中order by、distribute by、sort by和cluster by的区别和联系
- Hive中order by、sort by、distribute by、cluster by的区别
- [转]hive中order by,distribute by,sort by,cluster by
- hive中order by,sort by, distribute by, cluster by作用以及用法
- hive中order by,sort by, distribute by, cluster by作用以及用法
- Hive 区分cluster by、distribute by + sort by、order by以及创建表带有clustered by和sort by
- hive中order by,sort by, distribute by, cluster by作用以及用法
- hive中order by,sort by, distribute by, cluster by作用以及用法