大家好,我是明哥!
本片文章,我们来总结下,HIVE 中的 order/sort/cluster/distribute by 和 BUCKET 桶表。
1 ORDER BY
- ORDER BY 会对 SQL 的最终输出结果数据做全局排序;
- ORDER BY 底层只会有一个Reducer 任务 (多个Reducer无法保证全局有序);
- 当然只有一个 Reducer 任务时,如果输入数据规模较大,会消耗较长的计算时间;
- ORDER BY 默认的排序顺序是递增 ascending (ASC).
- 示例语句:select distinct cust_id,id_no,part_date from ads_api_cda_basic_info_parquet_pt order by cust_id;
2 SORT BY
- SORT BY 不是对 SQL 的最终输出结果数据做排序,而是对 MAP 端的输出数据,在进入 reducer 前,根据指定的字段进行排序;
- SORT BY 不会影响 REDUCER 的个数;
- SORT BY 只会保证每个 reducer 内部的数据的顺序性,而不会保证 SQL 最终输出结果的全局有序性;
- 示例语句:select distinct cust_id,id_no,part_date from ads_api_cda_basic_info_parquet_pt SORT by cust_id;
3 DISTRIBUTE BY
- DISTRIBUTE BY 指定了将 MAP 端的输出记录交给哪个 reducer 进一步处理的分发规则;
- DISTRIBUTE BY 不会影响 REDUCER 的个数;
- 具有相同的 Distribute By 字段的MAP端的输出数据,会被分发给同一个 reducer 进行处理 (默认是采用hash取模算法);
- Distribute By 并不会保证每个 REDUCER 内部的所有记录的顺序性;
- 示例语句:select distinct cust_id,id_no,part_date from ads_api_cda_basic_info_parquet_pt distribute by cust_id;
- DISTRIBUTE BY 和 SORT BY 配合使用,可以保证每个 REDUCER 内部的所有记录的顺序性(此时,Distribute By 分区字段 和 SORT BY 排序字段,可以是不同的字段);
- 示例语句:select distinct cust_id,id_no,part_date from ads_api_cda_basic_info_parquet_pt distribute by cust_id sort by id_no;
- DISTRIBUTE BY 和 SORT BY 配合使用,并选用合适的 DISTRIBUTE BY 字段,可以解决以下问题:
- Map输出的文件大小不均;
- Reduce输出文件大小不均;
- 小文件过多;
- 文件超大;
4 CLUSTER BY
- CLUSTER BY 等价于配合使用 DISTRIBUTE BY 和 SORT BY;
- CLUSTER BY底层的 Distribute By 分区字段 和 SORT BY 排序字段,是同一个字段;
- CLUSTER BY 不会影响 REDUCER 的个数;
- 示例语句:select distinct cust_id,id_no,part_date from ads_api_cda_basic_info_parquet_pt cluster by cust_id;
5 BUCKET 桶表
HIVE中有 BUCKET 桶表,桶表具有以下优势:
- 桶表可以支持高效的 sampling 取样;
- 桶表对高效的 mapside joins 的支持更好;
- 声明桶表时,需要指定分桶字段和桶的个数(CLUSTERED BY(user_id) INTO 31 BUCKETS);
- 桶表的写入操作,在底层执行时,会自动添加 CLUSTER BY 子语句 以按桶表声明时指定的分桶字段来分布数据;(如果是 0.x 或 1.x 的 HIVE 版本,需要配置参数 set hive.enforce.bucketing = true; HIVE 2.X 后,该参数被remove了,等价于总是TURE;)
- 桶表的写入操作,在底层执行时,会有reducer,且reducer的个数,会自动使用声明桶表时指定的桶的个数;(如果是 0.x 或 1.x 的 HIVE 版本,需要配置参数 set hive.enforce.bucketing = true; HIVE 2.X 后,该参数被remove了,等价于总是TURE;)
- 通过选用合适的分桶字段和分桶数,桶表可以有效管控表底层的小文件的个数,进而缓解数据倾斜问题和小文件问题;
- 使用桶表来缓解数据倾斜问题和小文件问题时,所有的更改都在 DDL 这一层,不需要更改 DML 语句添加 CLUSTER/DISTRIBUTE BY 子语句,同时由于 DDL 是系统上线时或后续运维优化调整时的一次性的操作,增加了系统的弹性和运维优化的便利性;
- 可以使用类似以下 DDL 语句来声明 BUCKET 桶表,类似以下DML语句来操作桶表:
## DDL CREATE TABLE bucket_tableA(user_id BIGINT, firstname STRING, lastname STRING) COMMENT 'A bucketed copy of user_info' PARTITIONED BY(ds STRING) CLUSTERED BY(user_id) INTO 31 BUCKETS; ## DML INSERT OVERWRITE bucket_tableA select * from xx;
note:
SPARK 对 HIVE 的桶表的支持尚不完善,具体可以参见以下JIRS和帖子:
Hive bucketing write supportissues.apache.org/jira/browse/SPARK-19256
Enable creating hive bucketed tablesissues.apache.org/jira/browse/SPARK-17729