一、分桶
分區針對的是數據的存儲路徑；分桶針對的是數據文件，就相當於hadoop裏面的真正的分區。
★怎麼選擇桶？默認時對某一列進行hash，使用hashcode對 桶的個數求模取餘，確定哪一條記錄進入哪一個桶。分桶後，桶內有序，整體不一定有序。
分區提供一個隔離數據和優化查詢的便利方式。不過，並非所有的數據集都可形成合理的分區，特別是之前所提到過的要確定合適的劃分大小這個疑慮。
分桶是將數據集分解成更容易管理的若干部分的另一個技術。
分桶的目的一部分也是爲了抽樣調查
案例實操：
1、創建分桶表
create table stu_buk（id int, name string）
clustered by(id) #根據什麼分桶-----
into 4 buckets #分幾個桶
row format delimited fields terminated by '\t';
2、導入數據
1001 ss1
1002 ss2
1003 ss3
1004 ss4
1005 ss5
1006 ss6
1007 ss7
1008 ss8
hive (default)> load data local inpath '/opt/module/datas/student.txt' into table stu_buck;
3、查看創建的分桶表中是否分成4個桶
居然發現沒有4個桶？原因是分桶表是不能通過load上傳數據的，試想一下，數據上傳到hdfs上，這個過程怎麼識別分桶字段，有怎麼取hash值呢
★綜上所述可得，分通表只能是使用insert select的方式
步驟：
（1）先建一個普通的stu表
|
create table stu(id int, name string) row format delimited fields terminated by '\t'; |
（2）向普通的stu表中導入數據
|
load data local inpath '/opt/module/datas/student.txt' into table stu; |
（3）導入數據到分桶表，通過子查詢的方式
|
insert into table stu_buck select id, name from stu; |
注意：做這些的前提是，reduce必須是隻有一個
所以必要時要設置：
|
hive (default)> set hive.enforce.bucketing=true; hive (default)> set mapreduce.job.reduces=-1; hive (default)> insert into table stu_buck select id, name from stu; |
二、抽樣查詢
對於非常大的數據集，有時用戶需要使用的是一個具有代表性的查詢結果而不是全部結果。Hive可以通過對錶進行抽樣來滿足這個需求。
查詢表stu_buck中的數據。
|
hive (default)> select * from stu_buck tablesample(bucket 1 out of 4 on id); |
注：tablesample是抽樣語句，語法：TABLESAMPLE(BUCKET x OUT OF y) 。
y必須是table總bucket數的倍數或者因子。hive根據y的大小，決定抽樣的比例。例如，table總共分了4份，當y=2時，抽取(4/2=)2個bucket的數據，當y=8時，抽取(4/8=)1/2個bucket的數據。
x表示從哪個bucket開始抽取，如果需要取多個分區，以後的分區號爲當前分區號加上y。例如，table總bucket數爲4，tablesample(bucket 1 out of 2)，表示總共抽取（4/2=）2個bucket的數據，抽取第1(x)個和第3(x+y)個bucket的數據。
注意：x的值必須小於等於y的值，否則
會經常報：FAILED: SemanticException [Error 10061]: Numerator should not be bigger than denominator in sample clause for table stu_buck，這是原因是x的值大於了y的值
