Hive中的排序和分组（对map和reduce的影响，值得一看！）

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。