首页 > 其他分享 >[Hive排序]--4种排序方式介绍

[Hive排序]--4种排序方式介绍

时间:2023-01-02 22:01:31浏览次数:71  
标签:sort -- reducer Hive 排序 order SELECT


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

​跳到元数据的末尾​

​转到元数据的开始​

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

ORDER BY在Hive SQL语法类似的语法ORDER BY在SQL语言。

​​colOrder: ( ASC | DESC )​​
​​colNullOrder: (NULLS FIRST | NULLS LAST) -- (Note: Available in Hive ​​​​2.1​​​​.​​​​0​​​ ​​and later)​​
​​orderBy: ORDER BY colName colOrder? colNullOrder? (​​​​','​​​ ​​colName colOrder? colNullOrder?)*​​
​​query: SELECT expression (​​​​','​​​ ​​expression)* FROM src orderBy​​

“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:

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

排序语法类似于语法ORDER BY在SQL语言。

​​colOrder: ( ASC | DESC )​​
​​sortBy: SORT BY colName colOrder? (​​​​','​​​ ​​colName colOrder?)*​​
​​query: SELECT expression (​​​​','​​​ ​​expression)* FROM src sortBy​​

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

​​SELECT key, value FROM src SORT BY key ASC, value DESC​​

查询有2个reducer,每个的输出是:

​​0​​​   ​​5​​
​​0​​​ ​​3​​
​​3​​​ ​​6​​
​​9​​​ ​​1​​
​​0​​​   ​​4​​
​​0​​​ ​​3​​
​​1​​​ ​​1​​
​​2​​​ ​​5​​

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。

​​FROM (FROM (FROM src​​
​​SELECT TRANSFORM(value)​​
​​USING ​​​​'mapper'​​
​​AS value, count) mapped​​
​​SELECT cast(value as ​​​​double​​​​) AS value, cast(count as ​​​​int​​​​) AS count​​
​​SORT BY value, count) sorted​​
​​SELECT TRANSFORM(value, count)​​
​​USING ​​​​'reducer'​​
​​AS whatever​​

cluster by 和 distribute by 的语法

Cluster ByDistribute 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分发排序的快捷方式。

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:

​​x1​​
​​x2​​
​​x4​​
​​x3​​
​​x1​​

reducer1得到

​​x1​​
​​x2​​
​​x1​​

reducer2得到

​​x4​​
​​x3​​

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

​​x1​​
​​x1​​
​​x2​​

reducer2得到

​​x3​​
​​x4​​

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。

​​SELECT col1, col2 FROM t1 CLUSTER BY col1​​
​​SELECT col1, col2 FROM t1 DISTRIBUTE BY col1​​

​​SELECT col1, col2 FROM t1 DISTRIBUTE BY col1 SORT BY col1 ASC, col2 DESC​​
​​FROM (​​
​​FROM pv_users​​
​​MAP ( pv_users.userid, pv_users.date )​​
​​USING ​​​​'map_script'​​
​​AS c1, c2, c3​​
​​DISTRIBUTE BY c2​​
​​SORT BY c2, c1) map_output​​
​​INSERT OVERWRITE TABLE pv_users_reduced​​
​​REDUCE ( map_output.c1, map_output.c2, map_output.c3 )​​
​​USING ​​​​'reduce_script'​​
​​AS date, count;​​

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。

标签:sort,--,reducer,Hive,排序,order,SELECT
From: https://blog.51cto.com/u_13966077/5984233

相关文章

  • the eleventh——2023.1.2
    scanf()函数一般只读取字符串中的一个单词,而不是一句话。例如:scanf("%s",name);printf("Hello,%s!",name) NingBabaHello,Ning!(后面的Baba在scanf这读取不到,在遇......
  • [Kafka基础]-- kafka指南
    参考:​​https://cwiki.apache.org/confluence/display/KAFKA/A+Guide+To+The+Kafka+Protocol​​​​http://kafka.apache.org/protocol.html​​ ​​介绍​​​​概观​......
  • 封装.继承。多态
    封装高内聚,低耦合,程序设计追求封装,将数据隐藏,设置接口进行交互,就是属性私有privatepackageoop.demo;publicclassStudent{privateintid;privateint......
  • [HBase配置]-- 常数说明(2.x之前版本)
    参考官方:​​https://hbase.apache.org/apidocs/constant-values.html​​​​https://hbase.apache.org/apidocs/org/apache/hadoop/hbase/HConstants.html#MAX_ROW_LENGTH......
  • Java个人家乡博客源码
    概述个人博客相册家乡主题,用户注册后可以发布关于家乡的特色文章介绍,可以发布照片,相册管理,留言,评论,回复,收藏,关注演示视频https://www.bilibili.com/video/BV1iy4y1x7w6......
  • [Freemarker基础]-- 标签库说明
    ​​A​​​  | ​​B​​​  | ​​C​​​  | ​​D​​​  | ​​E​​​  | ​​F​​​  | ​​H​​​  | ​​L​​​  | ​​M​​​  |......
  • Java开发的党员管理系统党员会议系统党务管理系统
    简介Java开发的大学生党员管理系统,主要功能会议,会议记录,会议主持,设置参会人员,请假申请,会议内容附件上传下载,党费管理,入党积极分子预备党员管理,人员变动,入党,表现评价等。主......
  • magento 数据结构分析
    1  首页启动——————————————————————————————————————————————————1QuerySETSQL_MODE=''1QuerySE......
  • Java同学录系统同学录网站
    简介用户注册可以创建班级(创建者即为群主),用户也可以查找班级申请加入,群主添加同学的联系方式等,可以在班级里留言,管理相册等,还可以指定其他人为群主或者解散班级群,群里的用......
  • Java人脸识别相册分类按时间分类相册按城市分类相册app源码
    简介后台Java,前台mui开发的androidapp;主要是按拍摄时间,人脸,城市进行相册照片的分类。演示视频https://www.bilibili.com/video/BV1XP4y187rA/?share_source=copy_web&v......