注意 hive 的hsql没有 top n这个功能，不像sql。
所以实现top n如下：
我想说的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：
STAGE DEPENDENCIES:
Stage-1 is a root stage
Stage-2 depends on stages: Stage-1
Stage-0 is a root stage
STAGE PLANS:
Stage: Stage-1
Map Reduce
Alias -> Map Operator Tree:
ljntest01
TableScan
alias: ljntest01
Select Operator
expressions:
expr: a
type: int
outputColumnNames: _col0
Reduce Output Operator
key expressions:
expr: _col0
type: int
sort order: +
tag: -1
value expressions:
expr: _col0
type: int
Reduce Operator Tree:
Extract
Limit
File Output Operator
compressed: true
GlobalTableId: 0
table:
input format: org.apache.hadoop.mapred.SequenceFileInputFormat
output format: org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat
Stage: Stage-2
Map Reduce
Alias -> Map Operator Tree:
hdfs://hdpnn:9000/group/alidw-cbu/tmp/hive-admin/hive_2012-12-16_01-19-42_893_2878471909568139281/-mr-10002
Reduce Output Operator
key expressions:
expr: _col0
type: int
sort order: +
tag: -1
value expressions:
expr: _col0
type: int
Reduce Operator Tree:
Extract
Limit
File Output Operator
compressed: true
GlobalTableId: 0
table:
input format: org.apache.hadoop.mapred.TextInputFormat
output format: org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat
Stage: Stage-0
Fetch Operator
limit: 10
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。