如何通过提高群集中的查询性能？将相同的密钥发送到同一个映射器时的情况会改善性能
答案 0 :(得分：1)
CLUSTER BY基本上是DISTRIBUTE BY x SORT BY x的快捷方式，因此它通常不会将记录发送到您所说的相同映射器，而是在同一个reducer上。此外，通常，它不会加快查询本身的速度，但它会用于加快对使用它生成的表的查询。
DISTRIBUTE BY/CLUSTER BY用于逻辑分区。虽然传统分区保存在一个目录中，但您也可以按文件进行分区，例如，当您在256个桶中DISTRIBUTE/CLUSTER BY时，它将通过256个文件中的散列键分发您的记录。当然，仅当您的数据的基数远大于256并且用于聚类数据的密钥或多或少均匀分布时，这才有用，因此存储桶的大小大致相同。否则，囤积可能弊大于利。
回到你的问题，什么时候有用？与分区类似，在查询使用CLUSTER BY x创建的表时，遇到包含子句WHERE x = 'myvalue'的查询时，优化器将识别该子句位于存储键和256个存储桶中。前面的例子，只打开'myvalue'所在的那个，大大减少了I / O的数量（在这种情况下是1/256）。
另一种情况是连接，如果你要加入两个在同一个字段上进行分区的表，优化器可以使用o（n）mergesort进行“桶到桶”连接，因为数据已经排序，而不是在两个表上进行随机连接，通常是o（nlogn）。在非常大的数据集上，这可能意味着数小时而不是数天。