hive sql中的四个by

本文主要是介绍hive sql中的四个by，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

1.order by col_list：
　　 全局排序，默认为升序asc ,因此只有一个reducer,只有一个reduce task的结果，

　　比如文件名是000000_0,会导致当输入规模较大时，需要较长的计算时间。

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

　　原因是：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，那么在这样的严格模式下，必须指定输出的条数。 对被排序列进行全排序，且只启动一个MR任务。

2.sort by col_list :

　　局部排序，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，不保证全局排序。

　　在每一个reducetask中，每一个小的输出结果排序，但是当reducetask的个数为1的话和order by 的排序结果一致

注意：sort by 指定的字段仅仅是用于排序的字段，不用于分reducetask输出结果，最终的输出文件中的结果是随机生成的

3.distribute by col_list：

　　根据指定的字段将数据分到不同的reducer,且分发算法是hash散列

　　类似于分桶的概念 按照指定的distribute by 字段和 设置的reducetask的个数进行取余分组，但是并没有排序，只是分，没有排序

　　select * from stu_test distribute by age desc; 错误，不能使用desc,因为它不是排序的意思

4.cluster by col_list ：

　　除了具有distribute by 的功能外，还会对该字段进行排序

　　cluster by = distribute by+sort by

　　cluster by id = distribute by id +sort by id

注意：1）cluster by 和sort by 不可以同时使用

2）当分组字段和排序字段是同一个字段的时候 cluster by id = distribute by id +sort by id

不是同一个字段的时候 请不要使用 cluster by id

详细见：https://blog.csdn.net/qq_40839450/article/details/106461393

这篇关于hive sql中的四个by的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！