Hive笔记7-Sampling

2023年12月2日 266次阅读 来源: raincoffee

Hive系列之七-Sampling

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。

数据块抽样（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；

CREATE TABLE lxw1234 AS
SELECT * FROM lxw1 TABLESAMPLE (50 PERCENT);
  • 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。

分桶表取样（Sampling Bucketized Table）

关于Hive中的分桶表（Bucket Table），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。

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

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。

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);
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。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。

    原文作者：raincoffee
    原文地址: https://www.jianshu.com/p/c6ca99e26657
    本文转自网络文章，转载此文章仅为分享知识，如有侵权，请联系博主进行删除。
点赞