【Hive】HiveQL实战之数据抽样Sample

当数据量很大时，需要查找一个数据的子集用于加快数据的分析，这种技术就是抽样技术。Hive中，数据抽样分为以下三种：

随机抽样；
桶表抽样；
块抽样；

1 随机抽样

1）语法结构

使用Rand（）和LIMIT关键字得到抽样数据，Distribute和Sort关键字确保数据在mappers和reducers之间高效的随机分布，也可以使用order by rand（）实现，但是性能不好。

语法：

SELECT * FROM <Table_Name> DISTRIBUTE BY RAND() SORT BY RAND()
LIMIT <N rows to sample>;

2）示例

0: jdbc:hive2://localhost:10000/hive> select * from ana
. . . . . . . . . . . . . . . . . . > distribute by rand() sort by rand() limit 3;
+-----------+-------------+-------------+
| ana.name  | ana.depart  | ana.salary  |
+-----------+-------------+-------------+
| Mike      | 1001        | 6400        |
| Will      | 1000        | 4000        |
| Richard   | 1002        | 8000        |
+-----------+-------------+-------------+
3 rows selected (123.999 seconds)

2 桶表抽样

1）语法结构

桶表抽样是桶表已优化的特殊的抽样方法，colname指定列在哪里取样数据，当在整个行取样时，可以使用Rand（）函数，如果抽样列是Clustered By列，Tablesample语句会更高效。

语法：

SELECT * FROM <Table_Name>
TABLESAMPLE(BUCKET <specified bucket number to sample> OUT OF <total
number of buckets> ON [colname|RAND()]) table_alias;

2）示例

略

3 块抽样

1）语法结构

块抽样允许Hive随机从数据中挑选N行、数据量的百分比或者数据的N字节大小。该种抽样的粒度是HDFS的块大小。

语法：

SELECT *
FROM <Table_Name> TABLESAMPLE(N PERCENT|ByteLengthLiteral|N ROWS) s;

-- ByteLengthLiteral
-- (Digit)+ ('b' | 'B' | 'k' | 'K' | 'm' | 'M' | 'g' | 'G')

2）示例

示例一：按行抽样

0: jdbc:hive2://localhost:10000/hive> select name from ana  tablesample(4 rows) a;
+----------+
|   name   |
+----------+
| Lucy     |
| Michael  |
| Steven   |
| Will     |
+----------+
4 rows selected (0.29 seconds)

示例二：按数据大小的百分比抽样

0: jdbc:hive2://localhost:10000/hive> select name from ana  tablesample(10 percent) a;
+----------+
|   name   |
+----------+
| Lucy     |
| Michael  |
+----------+
2 rows selected (0.345 seconds)

示例三：按数据大小抽样

0: jdbc:hive2://localhost:10000/hive> select name from ana  tablesample(2M) a;
+----------+
|   name   |
+----------+
| Lucy     |
| Michael  |
| Steven   |
| Will     |
| Will     |
| Jess     |
| Lily     |
| Mike     |
| Richard  |
| Wei      |
| Yun      |
+----------+
11 rows selected (0.264 seconds)