如何使用hive/spark-sql生成大数据集？

Question

例如生成1G记录，其序号在1到1G之间。

Answer 1

创建分区种子表

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

用序号在 0 到 999 之间的1K记录填充种子表。
每条记录都被插入到不同的分区中，因此位于不同的 HDFS 目录上，更重要的是位于不同的文件上。

PS

需要以下一组

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

生成一个有1G记录的表。
种子表中的每条1K记录都位于不同的文件中，并且由不同的容器读取。
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