在Hive中提供了資料取樣（SAMPLING）的功能，用來從Hive表中根據一定的規則進行資料取樣，Hive中的資料取樣支援分桶表取樣和資料塊取樣。

16.1 資料塊取樣（Block Sampling）

• block_sample: TABLESAMPLE (n PERCENT)

根據輸入的inputSize，取樣n%。

比如：輸入大小為1G，TABLESAMPLE (50 PERCENT)將會取樣512M的資料；

看例子：

表lxw1總大小約為64816816，總記錄數為：2750714

使用下面的語句，從表lxw111中取樣50%的資料，建立一個新表：

CREATE TABLE lxw1234 AS

SELECT * FROM lxw1 TABLESAMPLE (50 PERCENT);

完成後看看錶lxw1234的記錄數和大小：

結果表記錄數：1376390，總大小：32432626，基本上是原表的50%。

• block_sample: TABLESAMPLE (nM)

這種方式指定取樣資料的大小，單位為M。

比如，下面的語句：

CREATE TABLE lxw1234_2 AS

SELECT * FROM lxw1 TABLESAMPLE (30M);

將會從表lxw1中取樣30M的資料：

• block_sample: TABLESAMPLE (n ROWS)

這種方式可以根據行數來取樣，但要特別注意：這裡指定的行數，是在每個InputSplit中取樣的行數，也就是，每個Map中都取樣n ROWS。

下面的語句：
SELECT COUNT(1) FROM (SELECT * FROM lxw1 TABLESAMPLE (200 ROWS)) x;

有5個Map Task（InputSplit），每個取樣200行，一共1000行。

16.2 分桶表取樣（Sampling Bucketized Table）

關於Hive中的分桶表（Bucket Table），在以後的文章中將會介紹，其實就是根據某一個欄位Hash取模，放入指定資料的桶中，比如將表lxw1234按照ID分成100個桶，其算 法是hash(id) % 100，這樣，hash(id) % 100 = 0的資料被放到第一個桶中，hash(id) % 100 = 1的記錄被放到第二個桶中。分桶表在建立時候使用CLUSTER BY語句建立。

Hive中分桶表取樣的語法是：

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

其中x是要抽樣的桶編號，桶編號從1開始，colname表示抽樣的列，y表示桶的數量。

例子1：

SELECT COUNT(1)

FROM lxw1 TABLESAMPLE (BUCKET 1 OUT OF 10 ON rand());

該語句表示將表lxw1隨機分成10個桶，抽樣第一個桶的資料；

前面介紹過，表lxw1總大小約為64816816，總記錄數為：2750714

出來的結果基本上是原表的十分之一，注意：這個結果每次執行是不一樣的，因為是按照隨機數進行分桶取樣的。

例子2：

如果基於一個已經分桶表進行取樣，將會更有效率。

執行下面的語句，建立一個分桶表，並插入資料：

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欄位分成10個桶，下面的語句表示從10個桶中抽樣第一個桶的資料：

SELECT COUNT(1) FROM lxw1_bucketed TABLESAMPLE(BUCKET 1 OUT OF 10 ON pcid);

很好理解。

再看這個：

SELECT COUNT(1) FROM lxw1_bucketed TABLESAMPLE(BUCKET 1 OUT OF 20 ON pcid)

表只有10個桶，如果指定20，看結果：

結果差不多是源表記錄的1/20，Hive在執行時候，會在第一個桶中抽樣一半的資料。

還有一點：

如果從源表中直接分桶抽樣，也能達到一樣的效果，比如：

SELECT COUNT(1) FROM lxw1 TABLESAMPLE(BUCKET 1 OUT OF 20 ON pcid);

區別在於基於已經分桶的表抽樣，查詢只會掃描相應桶中的資料，而基於未分桶表的抽樣，查詢時候需要掃描整表資料，先分桶，再抽樣。

其它更詳細的用法請參考Hive的官方文件說明。