Hive中SELECT TOP N的方法(order by与sort by)

版权声明：本文为博主-姜兴琪原创文章，未经博主允许不得转载。 https://cloud.tencent.com/developer/article/1403400

SELECT TOP N是取最大前N条或者最小前N条。

Hive提供了limit关键字，再配合order by可以很容易地实现SELECT TOP N。

但是在Hive中order by只能使用1个reduce，如果表的数据量很大，那么order by就会力不从心。

例如我们执行SQL：select a from ljntest01 order by a limit 10;

控制台会打印出：Number of reduce tasks determined at compile time: 1

说明启动的reduce数量是编译时确定的。

查看该SQL的执行计划，该SQL只启动1个JOB。 

假设数据表有1亿条数据，而我们只想取TOP 10，那对1亿条数据在1个reduce中做全排序是非常不合理的。

幸好有sort by，使用sort by替换order by就可以解决这个问题：

select a from ljntest01 sort by a limit 10;

首先执行该SQL控制台打印出：Number of reduce tasks not specified. Estimated from input data size: 1

说明reduce数不是编译时确定的，而是根据输入文件大小动态确定的。

此外查看该SQL的执行计划：

Total jobs = 2

Launching Job 1 out of 2

Number of reduce tasks not specified. Estimated from input data size: 100

In order to change the average load for a reducer (in bytes):

  set hive.exec.reducers.bytes.per.reducer=<number>

In order to limit the maximum number of reducers:

  set hive.exec.reducers.max=<number>

In order to set a constant number of reducers:

  set mapreduce.job.reduces=<number>

Kill Command = /usr/local/hadoop-2.7.3/bin/hadoop job  -kill job_1539851662455_18345631

Hadoop job information for Stage-1: number of mappers: 1304; number of reducers: 100

sort by可以启动多个reduce，每个reduce做局部排序，但是这对于sort by limit N已经够用了。从执行计划中可以看出sort by limit N启动了两个JOB。第一个JOB是在每个reduce中做局部排序，然后分别取TOP N。假设启动了M个reduce，第二个JOB再对M个reduce分别局部排好序的总计M * N条数据做全局排序，取TOP N，从而得到想要的结果。这样就可以大大提高SELECT TOP N的效率。