关闭

HIVE 文件存储格式

157人阅读 评论(0) 收藏 举报
分类:
hive在建表是,可以通过‘STORED AS FILE_FORMAT’ 指定存储文件格式
例如:
[plain] view plaincopy
  1. > CREATE EXTERNAL TABLE MYTEST(num INT, name STRING)  
  2. > ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'  
  3. > STORED AS TEXTFILE  
  4. > LOCATION '/data/test';  
指定文件存储格式为“TEXTFILE”。

hive文件存储格式包括以下几类:
  • TEXTFILE
  • SEQUENCEFILE
  • RCFILE
  • 自定义格式
TEXTFIEL
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(系统自动检查,执行查询时自动解压),但使用这种方式,hive不会对数据进行切分,从而无法对数据进行并行操作。
实例:
[plain] view plaincopy
  1. > create table test1(str STRING)  
  2. > STORED AS TEXTFILE;   
  3. OK  
  4. Time taken: 0.786 seconds  
  5. #写脚本生成一个随机字符串文件,导入文件:  
  6. > LOAD DATA LOCAL INPATH '/home/work/data/test.txt' INTO TABLE test1;  
  7. Copying data from file:/home/work/data/test.txt  
  8. Copying file: file:/home/work/data/test.txt  
  9. Loading data to table default.test1  
  10. OK  
  11. Time taken: 0.243 seconds  

SEQUENCEFILE:
SequenceFile是Hadoop API提供的一种二进制文件支持,其具有使用方便、可分割、可压缩的特点。
SequenceFile支持三种压缩选择:NONE, RECORD, BLOCK。 Record压缩率低,一般建议使用BLOCK压缩。
示例:
[plain] view plaincopy
  1. > create table test2(str STRING)  
  2. > STORED AS SEQUENCEFILE;  
  3. OK  
  4. Time taken: 5.526 seconds  
  5. hive> SET hive.exec.compress.output=true;  
  6. hive> SET io.seqfile.compression.type=BLOCK;  
  7. hive> INSERT OVERWRITE TABLE test2 SELECT * FROM test1;  

RCFILE
RCFILE是一种行列存储相结合的存储方式。首先,其将数据按行分块,保证同一个record在一个块上,避免读一个记录需要读取多个block。其次,块数据列式存储,有利于数据压缩和快速的列存取。RCFILE文件示例:

实例:
[plain] view plaincopy
  1. > create table test3(str STRING)  
  2. > STORED AS RCFILE;  
  3. OK  
  4. Time taken: 0.184 seconds  
  5. >  INSERT OVERWRITE TABLE test3 SELECT * FROM test1;  

自定义格式
当用户的数据文件格式不能被当前 Hive 所识别的时候,可以自定义文件格式。
用户可以通过实现inputformat和outputformat来自定义输入输出格式,参考代码:
.\hive-0.8.1\src\contrib\src\java\org\apache\hadoop\hive\contrib\fileformat\base64
实例:
建表
[plain] view plaincopy
  1. > create table test4(str STRING)  
  2. > stored as  
  3. > inputformat 'org.apache.hadoop.hive.contrib.fileformat.base64.Base64TextInputFormat'  
  4. > outputformat 'org.apache.hadoop.hive.contrib.fileformat.base64.Base64TextOutputFormat';  
$ cat test1.txt 
aGVsbG8saGl2ZQ==
aGVsbG8sd29ybGQ=
aGVsbG8saGFkb29w
test1文件为base64编码后的内容,decode后数据为:
hello,hive
hello,world
hello,hadoop
load数据并查询:
[plain] view plaincopy
  1. hive> LOAD DATA LOCAL INPATH '/home/work/test1.txt' INTO TABLE test4;   
  2. Copying data from file:/home/work/test1.txt  
  3. Copying file: file:/home/work/test1.txt  
  4. Loading data to table default.test4  
  5. OK  
  6. Time taken: 4.742 seconds  
  7. hive> select * from test4;  
  8. OK  
  9. hello,hive  
  10. hello,world  
  11. hello,hadoop  
  12. Time taken: 1.953 seconds  

总结:
相比TEXTFILE和SEQUENCEFILE,RCFILE由于列式存储方式,数据加载时性能消耗较大,但是具有较好的压缩比和查询响应。数据仓库的特点是一次写入、多次读取,因此,整体来看,RCFILE相比其余两种格式具有较明显的优势。
0
0

查看评论
* 以上用户言论只代表其个人观点,不代表CSDN网站的观点或立场
    个人资料
    • 访问:236461次
    • 积分:5229
    • 等级:
    • 排名:第5229名
    • 原创:283篇
    • 转载:89篇
    • 译文:4篇
    • 评论:4条