Hive 中 sort by 和 order by 的区别

文章目录

在 Hive 中，

SORT BY

和

ORDER BY

都用于对查询结果进行排序，但它们在实现方式和适用场景上有一些区别。
作用范围有序性数据量SORT BY分区内排序分区有序适合处理大数据量ORDER BY全局排序整个查询结果全局有序适合处理较小数据量

1 数据量

1. SORT BY：SORT BY 用于在 Hive 中对查询结果进行排序，它的主要特点是在进行排序操作时会生成多个临时文件，每个文件都会存储部分排序后的数据。这可以减少内存的使用，适合处理大数据量的排序。示例：SELECT*FROM employeesSORT BY salary DESC;
2. ORDER BY：ORDER BY 也用于对查询结果进行排序，但它会将所有结果加载到内存中进行排序，然后输出。这意味着对于大数据量的排序可能会导致内存溢出的问题，因此适合处理较小数据量的排序。示例：SELECT*FROM employeesORDERBY hire_date;

总结：

• 如果需要对大数据量进行排序，应该使用 SORT BY，因为它在排序过程中生成多个临时文件，减少内存压力。
• 如果数据量较小，可以使用 ORDER BY，但要注意不要对过大的数据集进行排序，以免导致内存问题。

无论是使用

SORT BY

还是

ORDER BY

，都可以实现对查询结果的排序，选择哪种方式取决于数据量和内存等因素。

2 作用范围

1. SORT BY：- SORT BY用于将查询结果的每个Reducer的输出分区内进行排序。每个Reducer的输出都会单独进行排序，而不会全局排序整个结果集。- 这意味着SORT BY在每个Reducer的输出分区内都进行了排序，但不保证全局有序。- SORT BY在分布式计算中更高效，因为不需要全局数据重排。
2. ORDER BY：- ORDER BY用于全局排序整个查询结果。它将整个结果集都收集到单个节点，然后对整个数据集进行排序。- 这意味着ORDER BY保证了全局有序，但在大数据量情况下可能会导致性能问题，因为需要将所有数据传输到一个节点上进行排序。

这篇文章通过实验介绍了排序作用范围：http://t.csdn.cn/MKNfJ

总结来说：

• SORT BY局部排序，适用于需要对每个Reducer输出进行排序的情况，分布式效率高。
• ORDER BY全局排序，适用于需要整个结果集有序的情况，但可能在性能方面有一些挑战。

在实际使用中，根据查询需求和数据量大小，选择适合的排序方式。

3 调优思路

3.1 sort by 代替 order by

HiveQL中的

order by

与其他SQL方言中的功能一样，就是将结果按某字段全局排序，这会导致所有map端数据都进入一个reducer中，在数据量大时可能会长时间计算不完。

如果使用

sort by

，那么还是会视情况启动多个 reducer 进行排序，并且保证每个 reducer 内局部有序。为了控制 map 端数据分配到 reducer 的 key，往往还要配合

distribute by

一同使用。如果不加

distribute by

的话，map端数据就会随机分配到 reducer。

DISTRIBUTE BY

并不保证数据的全局排序，只是确保了在不同的 Reducer 任务之间数据的均衡分布。如果需要全局排序，应该结合使用

DISTRIBUTE BY

和

SORT BY

。

示例

假设我们有一个

user

表，包含用户信息，和一个

transaction

表，包含用户的交易记录。我们想要从这两个表中获取每个用户的总交易金额，并按照用户ID排序，同时确保数据在Reducer中均衡分布。

下面是一个示例：

-- 创建用户表CREATETABLEuser(
    user_id BIGINTPRIMARYKEY,
    name STRING
);-- 创建交易记录表CREATETABLEtransaction(
    user_id BIGINT,
    amount DECIMAL(10,2));-- 插入示例数据INSERTINTOuserVALUES(1,'Alice');INSERTINTOuserVALUES(2,'Bob');INSERTINTOuserVALUES(3,'Charlie');INSERTINTOtransactionVALUES(1,100.50);INSERTINTOtransactionVALUES(2,150.75);INSERTINTOtransactionVALUES(3,75.20);INSERTINTOtransactionVALUES(1,200.00);INSERTINTOtransactionVALUES(2,50.30);INSERTINTOtransactionVALUES(3,125.60);-- 查询每个用户的总交易金额，并按照用户ID排序INSERT OVERWRITE TABLE user_transaction_summary
SELECT u.user_id, u.name,SUM(t.amount)AS total_amount
FROMuser u
JOINtransaction t ON u.user_id = t.user_id
GROUPBY u.user_id, u.name
SORT BY u.user_id;

在上述示例中，我们使用了

JOIN

将

user

表和

transaction

表关联起来，然后使用

GROUP BY

汇总每个用户的总交易金额。为了确保数据在Reducer中均衡分布，我们使用了

SORT BY

和

DISTRIBUTE BY

。在

INSERT OVERWRITE

语句中，我们使用

DISTRIBUTE BY u.user_id SORT BY u.user_id

，这将确保按照用户ID进行数据分发和排序。

这样，我们就能够得到每个用户的总交易金额，并且数据会按照用户ID排序，同时在不同的Reducer任务中进行均衡分布。

3.2 如何用 group by 方式同时统计多个列

select t.a,sum(t.b),count(t.c),count(t.d)from some_table t groupby t.a;

这是解决方法：

select t.a,sum(t.b),count(t.c),count(t.d)from(select a,b,null c,null d from some_table 
    unionallselect a,0 b,c,null d from some_table groupby a,c 
    unionallselect a,0 b,null c,d from some_table groupby a,d 
) t;