数据分桶的原理:
按照分桶字段的hash值去模除以分桶的个数
对于每一个表（table）或者分区， Hive可以进一步组织成桶，也就是说桶是更为细粒度的数据范围划分。Hive也是 针对某一列进行桶的组织。Hive采用对列值哈希，然后除以桶的个数求余的方式决定该条记录存放在哪个桶当中。
把表（或者分区）组织成桶（Bucket）有两个理由：
1、提高join查询效率
获得更高的查询处理效率。桶为表加上了额外的结构，Hive 在处理有些查询时能利用这个结构。具体而言，连接两个在（包含连接列的）相同列上划分了桶的表，可以使用 Map 端连接 （Map-side join）高效的实现。比如JOIN操作。对于JOIN操作两个表有一个相同的列，如果对这两个表都进行了桶操作。那么将保存相同列值的桶进行JOIN操作就可以，可以大大较少JOIN的数据量。
2、方便抽样
使取样（sampling）更高效。在处理大规模数据集时，在开发和修改查询的阶段，如果能在数据集的一小部分数据上试运行查询，会带来很多方便。
创建数据分桶表
create table emp_bucket ( empno int, ename string, job string, mgr int, hiredate string, sal float, comm float, deptno int) clustered by (empno) --按照empno分桶 sorted by (empno) --按照empno排序 into 4 buckets --分成4个桶 row format delimited fields terminated by ' '; --每个字段以制表符分割
lines terminated by ' ' stored as textfile; --可以省略不写，行分割和数据格式
插入数据之前设置如下参数，以强制hive的reducer数目为分桶数。如果不设置这个hive参数，最后的桶个数可能不是建表语句中的个数。
set hive.enforce.bucketing=true
将数据插入到分桶表
不能采用load data [local] inpath '/home/emp.txt' into table emp_bucket这种写法，这种写法没有分桶，hive的目录下只有一个txt物理数据。
正确插入数据的方法是：
从hdfs或本地磁盘中load数据，导入中间表，然后通过从中间表查询的方式的完成数据导入。
假设现在已经有了中间表emp，通过查询emp表导入数据到分桶表
insert [overwrite] into table emp_bucket select * from db_hive.emp ;
查看数据
hive (db_hive)> dfs -cat /user/hive/warehouse/db_hive.db/emp_bucket/
抽样查询
tablesample是抽样语句，语法是tablesample(bucket x out of y)
y必须是table总bucket(这个是4)的倍数或者因子，hive根据y的大小，决定抽样的比例，
如table总共分了4个bucket,当y=4时，4/4=1表示抽一个bucket的数据量，x表示从第几个bucket开始抽。
select * from db_hive.emp_bucket tablesample(bucket 1 out of 4 on empno )
