Hive SQL 查询样本 TABLESAMPLE

提示

Hive SQL 教程欢迎使用。提供建议、纠错、催更等加作者微信: gairuo123（备注：sql ）和关注公众号「盖若」ID: gairuo。跟作者学习，请进入 Python学习课程。欢迎关注作者出版的书籍：《深入浅出Pandas》和《Python之光》。

在数据探查中，我们经常需要查看数据的样本，来对数据有一个整体的了解，同时分析数据的质量情况。 Hive SQL 的 TABLESAMPLE 语句的作用是查看数据样本的好方法。

概述

TABLESAMPLE 有两种用法：

-- table_sample
TABLESAMPLE (BUCKET x OUT OF y [ON colname])
-- block_sample
TABLESAMPLE (n ROWS)

采样分桶表和块采样。

TABLESAMPLE 子句允许用户为数据样本而不是整个表编写查询。语法为：

table_sample: TABLESAMPLE (BUCKET x OUT OF y [ON colname])

在以下示例中，表源的 32 个存储桶中的第 3 个存储桶。 's' 是表别名。

SELECT *
FROM source TABLESAMPLE(BUCKET 3 OUT OF 32 ON rand()) s;

输入修剪：通常，TABLESAMPLE 将扫描整个表并获取样本。但是，这不是很有效。

相反，可以使用 CLUSTERED BY 子句创建表，该子句指示表在其上进行散列分区/集群的列集。

如果 TABLESAMPLE 子句中指定的列与 CLUSTERED BY 子句中的列匹配，则 TABLESAMPLE 仅扫描表的所需散列分区。

例子：

所以在上面的例子中，如果表 'source' 是用 CLUSTERED BY id INTO 32 BUCKETS 创建的

TABLESAMPLE(BUCKET 3 OUT OF 16 ON id)

将挑选出第 3 和第 19 个集群，因为每个桶将由 (32/16)=2 个集群组成。

另一方面，tablesample 子句

TABLESAMPLE(BUCKET 3 OUT OF 64 ON id)

将挑选出第三个集群的一半，因为每个桶将由一个集群的 (32/64)=1/2 组成。

从 Hive 0.8 开始提供块采样。

block_sample: TABLESAMPLE (n PERCENT)

这将允许 Hive 获取至少 n% 的数据大小（注意它并不一定意味着行数）作为输入。

仅支持 CombineHiveInputFormat，不处理一些特殊的压缩格式。

如果我们无法对其进行采样，则 MapReduce 作业的输入将是整个表/分区。我们在 HDFS 块级别执行此操作，以便采样粒度为块大小。

例如，如果块大小为 256MB，即使输入大小的 n% 仅为 100MB，您也会得到 256MB 的数据。

在以下示例中，输入大小 0.1% 或更大将用于查询。

SELECT *
FROM source TABLESAMPLE(0.1 PERCENT) s;

有时你想用不同的块对相同的数据进行采样，你可以改变这个种子数：

set hive.sample.seednumber=<INTEGER>;

或者用户可以指定要读取的总长度，但它与 PERCENT 采样有相同的限制。

block_sample: TABLESAMPLE (ByteLengthLiteral)
 
ByteLengthLiteral : (Digit)+ ('b' | 'B' | 'k' | 'K' | 'm' | 'M' | 'g' | 'G')

在以下示例中，输入大小 100M 或更大将用于查询。

SELECT *
FROM source TABLESAMPLE(100M) s;

Hive 还支持按行数限制输入，但与上述两个不同。首先，它不需要 CombineHiveInputFormat，这意味着它可以与非本地表一起使用。其次，用户给出的行数应用于每个拆分。因此总行数可能因输入拆分数而异。

block_sample: TABLESAMPLE (n ROWS)

例如，以下查询将从每个输入拆分中获取前 10 行。

SELECT * FROM source TABLESAMPLE(10 ROWS);

更新时间：2022-06-22 08:23:22 标签：hive sql hql 样本