Hive中order by，sort by，distribute by，cluster by的区别

Hive中常见的高级查询包括：group by、Order by、join、distribute by、sort by、cluster by、Union all。今天我们来看看order by操作，Order by表示按照某些字段排序，语法如下：

[java] view plain copy

1. select col,col2...  
2. from tableName  
3. where condition  
4. order by col1,col2 [asc|desc]  

注意：

(1)：order by后面可以有多列进行排序，默认按字典排序。

(2)：order by为全局排序。

(3)：order by需要reduce操作，且只有一个reduce，无法配置(因为多个reduce无法完成全局排序)。

order by操作会受到如下属性的制约：

[java] view plain copy

1. set hive.mapred.mode=nonstrict; (default value / 默认值)  
2.   
3. set hive.mapred.mode=strict;  

注：如果在strict模式下使用order by语句，那么必须要在语句中加上limit关键字，因为执行order by的时候只能启动单个reduce，如果排序的结果集过大，那么执行时间会非常漫长。

下面我们通过一个示例来深入体会order by的用法：

数据库有一个employees表，数据如下：

[java] view plain copy

1. hive> select * from employees;  
2. OK  
3. lavimer 15000.0 ["li","lu","wang"]  {"k1":1.0,"k2":2.0,"k3":3.0}    {"street":"dingnan","city":"ganzhou","num":101} 2015-01-24  love  
4. liao    18000.0 ["liu","li","huang"]    {"k4":2.0,"k5":3.0,"k6":6.0}    {"street":"dingnan","city":"ganzhou","num":102} 2015-01-24  love  
5. zhang   19000.0 ["xiao","wen","tian"]   {"k7":7.0,"k8":8.0,"k8":8.0}    {"street":"dingnan","city":"ganzhou","num":103} 2015-01-24  love  

现在我要按第二列(salary)降序排列：

[java] view plain copy

1. hive> select * from employees order by salary desc;  
2. //执行MapReduce的过程  
3. Job 0: Map: 1  Reduce: 1   Cumulative CPU: 2.62 sec   HDFS Read: 415 HDFS Write: 245 SUCCESS  
4. Total MapReduce CPU Time Spent: 2 seconds 620 msec  
5. OK  
6. zhang   19000.0 ["xiao","wen","tian"]   {"k7":7.0,"k8":8.0} {"street":"dingnan","city":"ganzhou","num":103} 2015-01-24  love  
7. liao    18000.0 ["liu","li","huang"]    {"k4":2.0,"k5":3.0,"k6":6.0}    {"street":"dingnan","city":"ganzhou","num":102} 2015-01-24  love  
8. lavimer 15000.0 ["li","lu","wang"]  {"k1":1.0,"k2":2.0,"k3":3.0}    {"street":"dingnan","city":"ganzhou","num":101} 2015-01-24  love  
9. Time taken: 20.484 seconds  
10. hive>   

此时的hive.mapred.mode属性为：

[java] view plain copy

1. hive> set hive.mapred.mode;  
2. hive.mapred.mode=nonstrict  
3. hive>   

现在我们将它改为strict，然后再使用order by进行查询：

[java] view plain copy

1. hive> set hive.mapred.mode=strict;  
2. hive> select * from employees order by salary desc;  
3. FAILED: Error in semantic analysis: 1:33 In strict mode, if ORDER BY is specified, LIMIT must also be specified. Error encountered near token 'salary'  
4. hive>   

注：在strict模式下查询必须加上limit关键字。

[java] view plain copy

1. hive> select * from employees order by salary desc limit 3;  
2. FAILED: Error in semantic analysis: No partition predicate found for Alias "employees" Table "employees"  

注：另外还有一个要注意的是strict模式也会限制分区表的查询，解决方案是必须指定分区

先来看看分区：

[java] view plain copy

1. hive> show partitions employees;  
2. OK  
3. date_time=2015-01-24/type=love  
4. Time taken: 0.096 seconds  

在strict模式先使用order by查询：

[java] view plain copy

1. hive> select * from employees where partition(date_time='2015-01-24',type='love') order by salary desc limit 3;  
2. FAILED: Parse Error: line 1:30 cannot recognize input near 'partition' '(' 'date_time' in expression specification  
3.   
4. hive                                                                                                                
5.     > select * from employees where date_time='2015-01-24' and type='love' order by salary desc limit 3;            
6.   
7. //执行MapReduce程序  
8.   
9. Total MapReduce CPU Time Spent: 3 seconds 510 msec  
10. OK  
11. zhang   19000.0 ["xiao","wen","tian"]   {"k7":7.0,"k8":8.0} {"street":"dingnan","city":"ganzhou","num":103} 2015-01-24  love  
12. liao    18000.0 ["liu","li","huang"]    {"k4":2.0,"k5":3.0,"k6":6.0}    {"street":"dingnan","city":"ganzhou","num":102} 2015-01-24  love  
13. lavimer 15000.0 ["li","lu","wang"]  {"k1":1.0,"k2":2.0,"k3":3.0}    {"street":"dingnan","city":"ganzhou","num":101} 2015-01-24  love  
14. Time taken: 19.861 seconds  
15. hive>