hive抽样要遍历全表吗

hive抽样要遍历全表吗

不需要吧，只要确定样本数量，直接和MySQL中的limit 限制一下个数就可以了

争议hive的insert语句能够从查询语句中获取数据，并同时将数据load到目标表中。现在假定有一个已有数据的表staged_employees（雇员信息全量表），所属国家cnty和所属州st是该表的两个属性，我们做个试验将该表中的数据查询出来插入到另一个表employees中。 insert overwrite table employees partition (country = '中国', state = '北京') select * from staged_employees se where se.cnty = '中国' and se.st = '北京'; 由于使用了overwrite关键字，目标表中原来相同partition中的所有数据被覆盖，如果目标表中没有partition，则整个表会被覆盖。 如果把overwrite关键字删掉，或者替换成into，则hive会追加而不是替代原分区或原表中的数据，这个特性在hive v0.8.0之后才支持。 当数据已经存在于hdfs上但不是我们想要的格式的时候，当进行的计算需要分好多步骤有必要存储中间数据的时候，或者原数据没有分区、有很多无效列需要过滤的时候，可以使用insert..select句型来完成这一转换过程。 由于一个国家有很多个省份，如果想根据（国家country，地区partition）两个维度对数据进行分区的话，这条sql语句的执行个数应该等于地区的数目，比如中国有23个省就要对该sql语句执行23次。因此hive对这个sql语句进行了改造，只需要扫描一次原表就可以生成不同的输出（多路输出）。比如下面的sql语句扫描了一次原始数据表，但是同时生成了3个省份的结果数据： from staged_employees se insert overwrite table employees partition (country = '中国', state = '河北省') select * where se.cnty = '中国' and se.st = '河北省' insert overwrite table employees partition (country = '中国', state = '陕西省') select * where se.cnty = '中国' and se.st = '陕西省' insert overwrite table employees partition (country = '中国', state = '河南省') select * where se.cnty = 'us' and se.st = '河南省'; 通过缩进可以很清楚的看到，我们扫描了一次staged_employees表但是执行了3次不同的insert语句，这条大sql语句是这么执行的：先通过from staged_employees表获取一条记录，然后执行每一个select子句，如果select子句验证通过则执行相应的insert语句。注意这里的三条select子句是完全独立执行的，并不是if .. then .. else的关系，这就意味着这3条select子句在某种情况下可能同时通过where检测。 通过这种结构，原始表的数据能被拆分到目标表的不同partition中去。 如果原表的一条记录满足于其中一个给定的select .. where .. 子句，则该记录将被写到目标表的固定分区中。其实更进一步，每条insert语句能将数据写到不同的数据表中，不管这个表是否分区都一样。 于是，就像一个过滤器一样，原表的一些数据被写到了很多输出地址，而剩下的数据会被丢弃。 当然，你也可以混用insert overwrite和insert into两种不同的方法写出数据。 向动态分区插入数据 但是问题还是没有解决，中国有23个省，那么我们就需要写23个insert into .. select ..where子句，这非常不现实。于是hive的一种叫做动态分区的特性就出现了，它能够根据select出来的参数自动推断将数据插入到那个分区中去。本文上面的两种sql语句设定分区的方式都叫做静态分区插入。 将上一个sql语句进行改动，会得到以下简洁的新sql语句： insert overwrite table employees partition (country, state) select ..., se.cnty, se.st from staged_employees se; hive先获取select的最后两个位置的se.cnty和se.st参数值，然后将这两个值填写到insert语句partition中的两个country和state变量中，即动态分区是通过位置来对应分区值的。原始表select出来的值和输出partition的值的关系仅仅是通过位置来确定的，和名字并没有关系，比如这里se.cnty和county的名称完全没有关系。 上面的这条sql语句是对两个分区同时进行了动态设定，如果staged_employees表中有100个国家，每个国家有100个地区，那么该sql语句自动对每个国家和地区建立相应的partition并插入数据，如果用手写的话不现实。 只要位置正确，你可以混用动态分区和静态分区值设定，比如下面这个例子，你可以静态指定一个country值，但是state值采用动态的方法设定： insert overwrite table employees partition (country = 'us', state) select ..., se.cnty, se.st from staged_employees se where se.cnty = 'us'; 注意：静态分区值必须在动态分区值的前面！