當資料量特別大時，對全體資料進行處理存在困難時，抽樣就顯得尤其重要了。抽樣可以從被抽取的資料中估計和推斷出整體的特性，是科學實驗、質量檢驗、社會調查普遍採用的一種經濟有效的工作和研究方法。

      Hive支援桶表抽樣和塊抽樣，下面分別學習。所謂桶表指的是在建立表時使用CLUSTERED BY子句建立了桶的表。桶表抽樣的語法如下：

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

      TABLESAMPLE子句允許使用者編寫用於資料抽樣而不是整個表的查詢，該子句出現FROM子句中，可用於任何表中。桶編號從1開始，colname表明抽取樣本的列，可以是非分割槽列中的任意一列，或者使用rand()表明在整個行中抽取樣本而不是單個列。在colname上分桶的行隨機進入1到y個桶中，返回屬於桶x的行。下面的例子中，返回32個桶中的第3個桶中的行：

SELECT *
FROM source TABLESAMPLE(BUCKET 3 OUT OF 32 ON rand()) s;

      通常情況下，TABLESAMPLE將會掃描整個表然後抽取樣本，顯然這種做法效率不是很高。替代方法是，由於在使用CLUSTERED BY時指定了分桶的列，如果抽樣時TABLESAMPLE子句中指定的列匹配CLUSTERED BY子句中的列，TABLESAMPLE只掃描表中要求的分割槽。假如上面的例子中，source表在建立時使用了CLUSTEREDBY id INTO 32 BUCKETS，那麼下面的語句將返回第3個和第19個簇中的行，因為每個桶由(32/16)=2個簇組成。為什麼是3和19呢，因為要返回的是第3個桶，而每個桶由原來的2個簇組成，第3個桶就由原來的第3個和19個簇組成，根據簡單的雜湊演算法（3%16=19%16）。

TABLESAMPLE(BUCKET 3 OUT OF 16 ON id)

      相反，下面的語句將會返回第3個簇的一半，因為每個桶由(32/64)=1/2個簇組成。

TABLESAMPLE(BUCKET 3 OUT OF 64 ON id)

      從Hive-0.8開始可以使用塊抽樣，語法為：

block_sample: TABLESAMPLE (n PERCENT)

      該語句允許抽取資料大小的至少n%（不是行數，而是資料大小）做為輸入，支援CombineHiveInputFormat而一些特殊的壓縮格式是不能夠被處理的，如果抽樣失敗，MapReduce作業的輸入將是整個表。由於在HDFS塊層級進行抽樣，所以抽樣粒度為塊的大小，例如如果塊大小為256MB，即使輸入的n%僅為100MB，也會得到256MB的資料。下面的例子中輸入的0.1%或更多將用於查詢：

SELECT *
FROM source TABLESAMPLE(0.1 PERCENT) s;

      如果希望在不同的塊中抽取相同的資料，可以改變下面的引數：

set hive.sample.seednumber=<INTEGER>;

      也可以指定讀取資料的長度，該方法與PERCENT抽樣具有一樣的限制，為什麼有相同的限制，是因為該語法僅將百分比改為了具體值，但沒有改變基於塊抽樣這一前提條件。該語法為：

block_sample: TABLESAMPLE (ByteLengthLiteral)
 
ByteLengthLiteral : (Digit)+ ('b' | 'B' | 'k' | 'K' | 'm' | 'M' | 'g' | 'G')

下面的例子中輸入的100M或更多將用於查詢：

SELECT *
FROM source TABLESAMPLE(100M) s;

      Hive也支援基於行數的輸入限制，當效果與上面介紹的兩個不同。首先不需要CombineHiveInputFormat，這意味著可以被用在非原生表中。其次行數被用在每個split中。因此總的行數根據輸入的split數而變化很大。語法格式為：

block_sample: TABLESAMPLE (n ROWS)

      例如下面的查詢將從每個split中抽取10行：

SELECT * FROM source TABLESAMPLE(10 ROWS);