[一起学Hive]之十七-从Hive表中进行数据抽样-Sampling
关键字：Hive数据取样、Hive Sampling、Hive TABLESAMPLE.
在Hive中提供了数据取样（SAMPLING）的功能，用来从Hive表中根据一定的规则进行数据取样，Hive中的数据取样支持分桶表取样和数据块取样。
16.1 数据块取样（Block Sampling）
- block_sample: TABLESAMPLE (n PERCENT)
根据输入的inputSize，取样n%。
比如：输入大小为1G，TABLESAMPLE (50 PERCENT)将会取样512M的数据；
看例子：
表lxw1总大小约为64816816，总记录数为：2750714
使用下面的语句，从表lxw111中取样50%的数据，创建一个新表：
CREATE TABLE lxw1234 AS
SELECT * FROM lxw1 TABLESAMPLE (50 PERCENT);
完成后看看表lxw1234的记录数和大小：
结果表记录数：1376390，总大小：32432626，基本上是原表的50%。
- block_sample: TABLESAMPLE (nM)
这种方式指定取样数据的大小，单位为M。
比如，下面的语句：
CREATE TABLE lxw1234_2 AS
SELECT * FROM lxw1 TABLESAMPLE (30M);
将会从表lxw1中取样30M的数据：
- block_sample: TABLESAMPLE (n ROWS)
这种方式可以根据行数来取样，但要特别注意：这里指定的行数，是在每个InputSplit中取样的行数，也就是，每个Map中都取样n ROWS。
下面的语句：
SELECT COUNT(1) FROM (SELECT * FROM lxw1 TABLESAMPLE (200 ROWS)) x;
有5个Map Task（InputSplit），每个取样200行，一共1000行。
16.2 分桶表取样（Sampling Bucketized Table）
关于Hive中的分桶表（Bucket Table），在以后的文章中将会介绍，其实就是根据某一个字段Hash取模，放入指定数据的桶中，比如将表lxw1234按照ID分成100个桶，其算 法是hash(id) % 100，这样，hash(id) % 100 = 0的数据被放到第一个桶中，hash(id) % 100 = 1的记录被放到第二个桶中。分桶表在创建时候使用CLUSTER BY语句创建。
Hive中分桶表取样的语法是：
table_sample: TABLESAMPLE (BUCKET x OUT OF y [ON colname])
其中x是要抽样的桶编号，桶编号从1开始，colname表示抽样的列，y表示桶的数量。
例子1：
SELECT COUNT(1)
FROM lxw1 TABLESAMPLE (BUCKET 1 OUT OF 10 ON rand());
该语句表示将表lxw1随机分成10个桶，抽样第一个桶的数据；
前面介绍过，表lxw1总大小约为64816816，总记录数为：2750714
出来的结果基本上是原表的十分之一，注意：这个结果每次运行是不一样的，因为是按照随机数进行分桶取样的。
例子2：
如果基于一个已经分桶表进行取样，将会更有效率。
执行下面的语句，创建一个分桶表，并插入数据：
CREATE TABLE lxw1_bucketed (pcid STRING)
CLUSTERED BY(pcid) INTO 10 BUCKETS;
INSERT overwrite TABLE lxw1_bucketed
SELECT pcid FROM lxw1;
表lxw1_bucketed按照pcid字段分成10个桶，下面的语句表示从10个桶中抽样第一个桶的数据：
SELECT COUNT(1) FROM lxw1_bucketed TABLESAMPLE(BUCKET 1 OUT OF 10 ON pcid);
很好理解。
再看这个：
SELECT COUNT(1) FROM lxw1_bucketed TABLESAMPLE(BUCKET 1 OUT OF 20 ON pcid)
表只有10个桶，如果指定20，看结果：
结果差不多是源表记录的1/20，Hive在运行时候，会在第一个桶中抽样一半的数据。
还有一点：
如果从源表中直接分桶抽样，也能达到一样的效果，比如：
SELECT COUNT(1) FROM lxw1 TABLESAMPLE(BUCKET 1 OUT OF 20 ON pcid);
区别在于基于已经分桶的表抽样，查询只会扫描相应桶中的数据，而基于未分桶表的抽样，查询时候需要扫描整表数据，先分桶，再抽样。
其它更详细的用法请参考Hive的官方文档说明。
更多关于Hadoop、Spark、Hive等的文章，请关注 我的博客 。
Hive相关文章（持续更新）：
—-Hive中的数据库(Database)和表(Table)
hive优化之——控制hive任务中的map数和reduce数
下一篇： DistributedLock