如何使用Hive / Spark-SQL生成大型数据集？

Question

例如，生成1G记录，其序号在1到1G之间。

Answer 1

创建分区的种子表

create table seed (i int)
partitioned by (p int)

---

在种子表中填充1K条记录，其序号在0到999之间。
每个记录都将插入到不同的分区中，因此位于不同的HDFS目录中，更重要的是，在不同的文件中。

聚苯乙烯

需要以下设置

set hive.exec.dynamic.partition.mode=nonstrict;
set hive.exec.max.dynamic.partitions.pernode=1000;
set hive.hadoop.supports.splittable.combineinputformat=false;
set hive.input.format=org.apache.hadoop.hive.ql.io.HiveInputFormat;

---

insert into table seed partition (p)
select  i,i 
from    (select 1) x lateral view posexplode (split (space (999),' ')) e as i,x

---

生成包含1G记录的表。
种子表中的每个1K记录都在不同的文件上，并且正在由不同的容器读取。
每个容器生成1M条记录。

create table t1g
as
select  s.i*1000000 + e.i + 1  as n
from    seed s lateral view posexplode (split (space (1000000-1),' ')) e as i,x