hive count distinct

select count(distinct user_id) from dm_user where ds=20150701;

使用disticnt函数，所有的数据只会shuffle到一个reducer上，导致reducer数据倾斜严重

优化后为

set mapred.reduce.tasks=50;

select count(*) from

(select user_id from dm_user where ds=20150701 group by user_id)t;

order by全局排序，只有一个reduce

sort by 在一个reduce中排序，distribute by 按字段分为不同的reduce    

distribute by 先分为不同的reduce排序，之后在reduce内部排序

// 一个reduce(海量数据,速度很慢)

select year, temperature

order by year asc, temperaturedesc

limit 100;  

替换成

// 多个reduce(海量数据,速度很快)

select year, temperature 

distribute by year 

sort byyear asc, temperaturedesc

limit 100;

order by  (全局排序 )
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。  


在hive.mapred.mode=strict模式下，强制必须添加limit限制，这么做的目的是减少reducer数据规模
例如，当限制limit 100时， 如果map的个数为50， 则reducer的输入规模为100*50  


distribute by  (类似于分桶)
根据distribute by指定的字段对数据进行划分到不同的输出reduce 文件中


sort by   (类似于桶内排序)
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。  


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。  


因此，常常认为cluster by = distribute by + sort by