Hive Bucket-理解 TABLESAMPLE(BUCKET X OUT OF Y)

大家好，我对 Hive 很陌生，我已经在实际操作中了解了 hadoop 中的存储桶概念，但未能理解以下几行内容。有人可以帮助我吗？

SELECT avg(viewTime)
 FROM page_view TABLESAMPLE(BUCKET 1 OUT OF 32);

TABLESAMPLE 的一般语法是 表样本（桶 x 中的 y）

查询的样本大小约为 1/y。此外，y 需要是创建表时为表指定的桶数的倍数或因子。例如，如果我们将 y 更改为 16，则查询变为

SELECT avg(viewTime)
 FROM page_view TABLESAMPLE(BUCKET 1 OUT OF 16);

那么样本大小大约包括每 16 个用户中的 1 个（因为存储桶列是 userid）。该表仍然有 32 个存储桶，但 Hive 尝试通过一起处理存储桶 1 和 17 来满足此查询。另一方面，如果 y 指定为 64，Hive 将对一个桶中一半的数据执行查询。 x的值仅用于选择使用哪个桶。在真正随机采样的情况下，其值应该不重要。

哪一部分你不明白？

当您创建表并使用它存储桶时clustered by子句分为 32 个存储桶（作为示例），hive 使用确定性哈希函数将数据存储到 32 个存储桶中。然后当你使用TABLESAMPLE(BUCKET x OUT OF y)，hive 将您的存储桶分为几组y桶，然后挑选x每组的第 'th 个桶。例如：

• 如果你使用TABLESAMPLE(BUCKET 6 OUT OF 8)，hive 会将您的 32 个存储桶分成 8 个存储桶组，从而形成 4 组，每组 8 个存储桶，然后选择每组中的第 6 个存储桶，因此选择存储桶 6、14、22、30。

• 如果你使用TABLESAMPLE(BUCKET 23 OUT OF 32)，hive 会将您的 32 个存储桶分成 32 个组，从而得到一组 32 个存储桶，然后选择第 23 个存储桶作为您的结果。

• 如果你使用TABLESAMPLE(BUCKET 3 OUT OF 64)，hive 会将 32 个桶分成 64 个桶组，从而得到一组 64 个“半桶”，然后选择与第 3 个满桶相对应的半桶。