ORC格式文件读取

                     

微信搜索bigdata029 | 邀请体验：数阅–数据管理、OLAP分析与可视化平台 | 订阅本站 | 赞助作者：赞助作者
Java API 读取Hive Orc文件
 Hadoop   [email protected]  2年前 (2015-08-18)  4508℃  0评论
关键字：Hive Orc、Java API 读取Hive OrcFile

Orc是Hive特有的一种列式存储的文件格式，它有着非常高的压缩比和读取效率，因此很快取代了之前的RCFile，成为Hive中非常常用的一种文件格式。

在实际业务场景中，可能需要使用Java API，或者MapReduce读写Orc文件。

本文先介绍使用Java API读取Hive Orc文件。

在Hive中已有一张Orc格式存储的表lxw1234:

Hive Orc

该表有四个字段：url、word、freq、weight，类型均为string；

数据只有5条：

Hive Orc

下面的代码，从表lxw1234对应的HDFS路径中使用API直接读取Orc文件：

package com.lxw1234.test;

import java.util.List;
import java.util.Properties;

import org.apache.hadoop.fs.Path;
import org.apache.hadoop.hive.ql.io.orc.OrcInputFormat;
import org.apache.hadoop.hive.ql.io.orc.OrcSerde;
import org.apache.hadoop.hive.serde2.objectinspector.StructField;
import org.apache.hadoop.hive.serde2.objectinspector.StructObjectInspector;
import org.apache.hadoop.mapred.FileInputFormat;
import org.apache.hadoop.mapred.InputFormat;
import org.apache.hadoop.mapred.InputSplit;
import org.apache.hadoop.mapred.JobConf;
import org.apache.hadoop.mapred.RecordReader;
import org.apache.hadoop.mapred.Reporter;

/**
 * lxw的大数据田地 – http://lxw1234.com
 * @author lxw.com
 *
 */
public class TestOrcReader {

public static void main(String[] args) throws Exception {           JobConf conf = new JobConf();    Path testFilePath = new Path(args[0]);    Properties p = new Properties();    OrcSerde serde = new OrcSerde();    p.setProperty("columns", "url,word,freq,weight");    p.setProperty("columns.types", "string:string:string:string");    serde.initialize(conf, p);    StructObjectInspector inspector = (StructObjectInspector) serde.getObjectInspector();    InputFormat in = new OrcInputFormat();    FileInputFormat.setInputPaths(conf, testFilePath.toString());    InputSplit[] splits = in.getSplits(conf, 1);    System.out.println("splits.length==" + splits.length);    conf.set("hive.io.file.readcolumn.ids", "1");    RecordReader reader = in.getRecordReader(splits[0], conf, Reporter.NULL);    Object key = reader.createKey();    Object value = reader.createValue();    List<? extends StructField> fields = inspector.getAllStructFieldRefs();         long offset = reader.getPos();    while(reader.next(key, value)) {        Object url = inspector.getStructFieldData(value, fields.get(0));        Object word = inspector.getStructFieldData(value, fields.get(1));        Object freq = inspector.getStructFieldData(value, fields.get(2));        Object weight = inspector.getStructFieldData(value, fields.get(3));        offset = reader.getPos();        System.out.println(url + "|" + word + "|" + freq + "|" + weight);    }    reader.close();}

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31

}

将上面的代码打包成orc.jar；

在Hadoop客户端机器上运行命令：

export HADOOP_CLASSPATH=/usr/local/apache-hive-0.13.1-bin/lib/hive-exec-0.13.1.jar:$HADOOP_CLASSPATH

hadoop jar orc.jar com.lxw1234.test.TestOrcReader /hivedata/warehouse/liuxiaowen.db/lxw1234/

运行结果如下：

[[email protected] tmp]$ hadoop jar orc.jar com.lxw1234.test.TestOrcReader /hivedata/warehouse/liuxiaowen.db/lxw1234/
15/08/18 17:03:37 INFO log.PerfLogger: 
15/08/18 17:03:38 INFO Configuration.deprecation: mapred.input.dir is deprecated. Instead, use mapreduce.input.fileinputformat.inputdir
15/08/18 17:03:38 INFO orc.OrcInputFormat: FooterCacheHitRatio: 0/1
15/08/18 17:03:38 INFO log.PerfLogger: 
splits.length==1
15/08/18 17:03:38 INFO orc.ReaderImpl: Reading ORC rows from hdfs://cdh5/hivedata/warehouse/liuxiaowen.db/lxw1234/000000_0 with {include: null, offset: 0, length: 712}