Hive数据压缩和存储格式

目录

• • 一、了解Hive的数据压缩
  • 二、Hive数据压缩的配置
  • 三、文件存储格式
  • 四、测试不同的文件格式
  • • （1）TextFile 格式
    • （2）ORC格式
    • （3）Parquet

一、了解Hive的数据压缩

hive 的数据压缩 == MR的数据压缩

1.在哪个阶段进行数据压缩

MR阶段过程：

  input  -> map   -> shuffle  ->  reduce  ->  output

shuffle 阶段几个重要内容：

  分区   ->  排序   -> combiner(map端的reduce)  -> 压缩   -> 分组

compression压缩的阶段：

  map 输出  和   reduce 输出

2.为什么要数据压缩

• 节省磁盘空间
• 减小网络IO、磁盘IO

3.有哪些数据压缩方案

  zlib 
  gzip
  bzip2
  snappy（google 企业应用）
  lz4
  lzo

• 节省存储空间：bzip2 > gzip > lzo
• 解压速度：lzo > gzip > bzip2

二、Hive数据压缩的配置

上一篇讲到了Hadoop安装snappy
https://blog.csdn.net/weixin_45366499/article/details/109271630
这一篇主要讲一下Hive数据压缩的几种配置方案
第一种：通过MR程序
第二种：配置mapred-site.xml文件

        <property>
        <name>hive.exec.compress.intermediate</name>
        <value>true</value>
        </property>

        <property>
        <name>hive.exec.compress.output</name>
        <value>true</value>
        </property>

        <property>
        <name>mapreduce.map.output.compress</name>
        <value>true</value>
        </property>

        <property>
        <name>mapreduce.output.fileoutputformat.compress</name>
        <value>true</value>
        </property>

        <property>
        <name>mapreduce.map.output.compress.codec</name>
        <value>org.apache.hadoop.io.compress.SnappyCodec</value>
        </property>

        <property>
        <name>mapreduce.output.fileoutputformat.compress.codec</name>
        <value>org.apache.hadoop.io.compress.SnappyCodec</value>
        </property>

第三种：hive命令行
1.Map端数据输出压缩

开启 hive 中间传输数据压缩功能

set hive.exec.compress.intermediate = true;

开启 mapreduce 中 map 输出压缩功能

set mapreduce.map.output.compress = true;

设置 mapreduce 中 map 输出数据的压缩方式

set mapreduce.map.output.compress.codec  = org.apache.hadoop.io.compress.SnappyCodec;

2.Reduce端数据输出压缩

开启 hive 最终输出数据压缩功能

set hive.exec.compress.output = true;

开启 mapreduce 最终输出数据压缩

set mapreduce.output.fileoutputformat.compress = true;

设置 mapreduce 最终数据输出压缩方式

set mapreduce.output.fileoutputformat.compress.codec = org.apache.hadoop.io.compress.SnappyCodec;

查看历史服务器web访问端口：19888

sbin/mr-jobhistory-daemon.sh start historyserver

三、文件存储格式

-> 就是存储在hive表的数据对应HDFS上的文件格式

File Formats
Hive supports several file formats:

• Text File
• SequenceFile <key,value>
• RCFile
• Avro Files
• ORC Files
• Parquet
• Custom INPUTFORMAT and OUTPUTFORMAT

（1）列式存储和行式存储

逻辑视图：

行存储（TEXTFILE 和 SEQUENCEFILE ）：

查询满足条件的一整行数据的时候，列存储则需要去每个聚集的字段找到对应的每个列
的值，行存储只需要找到其中一个值，其余的值都在相邻地方，所以此时行存储查询的速度
更快。

列存储（ORC 和 PARQUET ）：

因为每个字段的数据聚集存储，在查询只需要少数几个字段的时候，能大大减少读取的
数据量；每个字段的数据类型一定是相同的，列式存储可以针对性的设计更好的设计压缩算
法。

（2）TextFile 格式

默认格式，数据不做压缩，磁盘开销大，数据解析开销大。可结合 Gzip、Bzip2 使用，
注意：使用 Gzip 这种方式，hive 不会对数据进行切分，从而无法对数据进行并行操作。

（3）Orc 格式

Hive 0.11 版里引入的新的存储格式。

每个 Orc 文件由 1 个或多个 stripe 组成，每个 stripe250MB 大小，这个 Stripe 实际相当于 RowGroup 概念，不过大小由 4MB->250MB，这样应该能提升顺序读的吞吐率。每个 Stripe 里有三部分组成，分别是 Index Data，Row Data，Stripe Footer

1）Index Data：一个轻量级的 index，默认是每隔 1W 行做一个索引。这里做的索引应该只是记录某行的各字段在 Row Data 中的 offset。

2）Row Data：存的是具体的数据，先取部分行，然后对这些行按列进行存储。对每个列进行了编码，分成多个 Stream 来存储。

3）Stripe Footer：存的是各个 Stream 的类型，长度等信息。 每个文件有一个 File Footer，这里面存的是每个 Stripe 的行数，每个 Column 的数据类型信息等；每个文件的尾部是一个PostScript，这里面记录了整个文件的压缩类型以及FileFooter的长度信息等。在读取文件时，会 seek 到文件尾部读 PostScript，从里面解析到 File Footer长度，再读 FileFooter，从里面解析到各个 Stripe 信息，再读各个 Stripe，即从后往前读。

（4）Parquet 格式
Parquet 是面向分析型业务的列式存储格式，由 Twitter 和 Cloudera 合作开发，2015 年 5月从 Apache 的孵化器里毕业成为 Apache *项目。

Parquet 文件是以二进制方式存储的，所以是不可以直接读取的，文件中包括该文件的数据和元数据，因此 Parquet 格式文件是自解析的。
通常情况下，在存储 Parquet 数据的时候会按照 Block 大小设置行组的大小，由于一般情况下每一个 Mapper 任务处理数据的最小单位是一个 Block，这样可以把每一个行组由一个 Mapper 任务处理，增大任务执行并行度。

一个文件中可以存储多个行组，文件的首位都是该文件的 Magic Code，用于校验它是否是一个 Parquet 文件，Footer length 记录了文件元数据的大小，通过该值和文件长度可以计算出元数据的偏移量，文件的元数据中包括每一个行组的元数据信息和该文件存储数据的 Schema 信息。除了文件中每一个行组的元数据，每一页的开始都会存储该页的元数据，在 Parquet 中，有三种类型的页：数据页、字典页和索引页。数据页用于存储当前行组中该列的值，字典页存储该列值的编码字典，每一个列块中最多包含一个字典页，索引页用来存储当前行组下该列的索引，目前 Parquet 中还不支持索引页。

ORC File,Parquet,这两个格式是企业中常用的(hive,impala,spark)

四、测试不同的文件格式

（1）TextFile 格式

创建TextFile 格式的表

create table movie(movie_id string,movie_name string,movie_type string) row format delimited fields terminated by ',' stored as textfile;

加载数据

load data local inpath '/opt/datas/movie-rating/movies.txt' into table movie;

在HDFS上占447.63 KB

测试count

select count(1) from movie;

用时

Time taken: 15.552 seconds, Fetched: 1 row(s)

（2）ORC格式

（1）ORC

创建ORC格式的表

create table movie_orc(movie_id string,movie_name string,movie_type string) row format delimited fields terminated by ',' stored as orc;

加载数据

insert into movie_orc select * from movie;

在HDFS上占144.34 KB
测试count

select count(1) from movie_orc;

用时

Time taken: 14.99 seconds, Fetched: 1 row(s)

（2）ORC+Snappy

创建ORC格式的表

create table movie_orc_snappy(movie_id string,movie_name string,movie_type string) row format delimited fields terminated by ',' stored as orc tblproperties ("orc.compress"="SNAPPY");

加载数据

insert into movie_orc_snappy select * from movie;

在HDFS上占213.7 KB
测试count

select count(1) from movie_orc_snappy;

用时

Time taken: 14.754 seconds, Fetched: 1 row(s)

（3）Parquet

（1）Parquet

创建Parquet格式的表

create table movie_parquet(movie_id string,movie_name string,movie_type string) row format delimited fields terminated by ',' stored as parquet;

加载数据

insert into movie_parquet select * from movie;

在HDFS上占363.06 KB
测试count

select count(1) from movie_parquet;

用时

Time taken: 15.04 seconds, Fetched: 1 row(s)

（2）Parquet+Snappy

创建Parquet格式的表

create table movie_parquet_snappy(movie_id string,movie_name string,movie_type string) row format delimited fields terminated by ',' stored as parquet;

设置压缩方式

set parquet.compression=SNAPPY;

加载数据

insert into movie_parquet_snappy select * from movie;

在HDFS上占233.97 KB

测试count

select count(1) from movie_parquet_snappy;

用时

Time taken: 14.787 seconds, Fetched: 1 row(s)

总结：

在实际项目开发中，hive表的数据：
    >>存储格式: orc/parquet
    >>压缩比：ORC >  Parquet >  textFile（textfile没有进行压缩）
    >>数据压缩：snappy

---

以上内容仅供参考学习，如有侵权请联系我删除！
如果这篇文章对您有帮助，左下角的大拇指就是对博主最大的鼓励。
您的鼓励就是博主最大的动力！