Hive sampling 語法之TABLESAMPLE用法理解

官網關於LanguageManual Sampling的教程，部分截圖以下，這裏主要分享對TABLESAMPLE(BUCKET 3 OUT OF 16 ON id)子句的理解

​ 官網中假設建立表時設置了 CLUSTERED BY(id) INTO 32 BUCKETS 即分紅了32個文件（雖然這裏用的是bucket，爲了不混淆和方便理解下面的解釋，我的傾向於用cluster或者叫簇來代替），那麼下面這個子句

TABLESAMPLE(BUCKET 3 OUT OF 16 ON id)

在查詢中的意思是將cluster分紅16個桶，而後取出第三個桶中的數據。32個文件分進16個桶，那就是每一個桶有（32/16=）2 個cluster，怎麼分呢？第1個cluster分進第1個桶，第2個cluster分進第2個桶......第16個cluster分進第16個桶，第17個cluster分進第1個桶，以此類推。因此當取出第三個桶中的數據時，就會取出第3個簇（cluster）和第19簇（cluster）的數據。官網原話：

would pick out the 3rd and 19th clusters as each bucket would be composed of (32/16)=2 clusters.

​ 那下面這個怎麼理解呢？

TABLESAMPLE(BUCKET 3 OUT OF 64 ON id)

​ 32個cluster分進64個桶，而後再抽出第三個桶中的數據。32/64=1/2，每一個桶由1/2個cluster組成，一樣地，第1個cluster的前一半數據分進第1個桶，後一半數據分進第33個桶，第2個cluster的前一半數據分進第2個桶，後一半數據分進第34個桶，.....第32個cluster的前一半數據分進第32個桶，後一半數據分進第64個桶。因此這個子句會取出第3個桶中的數據，也就是第3個cluster中的前一半數據。官網原話：

would pick out half of the 3rd cluster as each bucket would be composed of (32/64)=1/2 of a cluster.

​ 補充官網關於分桶表的DDL操做

LanguageManual DDL BucketedTables