17hive主流存储格式

三、文件存储格式

1.列式存储和行式存储

(1)列存储的特点：
	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，可以针对性的设计更好的压缩算法。

(2)行存储的特点：
	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。

(3)基础：
	ORC和PARQUET的存储格式是基于列式存储的。
	TEXTFILE和SEQUENCEFILE是基于行存储的；

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。但使用gzip，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

每个orc文件由一个或多个stripe组成，每个stripe里由三部分，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。
	这里的索引只是记录某行的各字段在row data中的offset.	
(2)	Row Data：
	存具体的数据，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。
在存储Parquet数据的时候会按照Block大小设置行组的大小，每个mapper任务
	处理数据最小单位是一个Block，
这样就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。

四、主流文件存储格式对比实验

1.textfile

(1)创建存储数据格式为TEXTFILE的表
	create table log_text(
	  track_time string,
	  url string,
	  session_id string,
	  referer string,
	  ip string,
	  end_user_id string,
	  city_id string
	)
	row format delimited fields terminated by '\t'
	stored as textfile;

(2)向表中加载数据
	load data local inpath '/root/hivedata/log.data' into table log_text;
	
(3)查看表中数据大小
	dfs -du -h /user/hive/warehouse/log_text;

2.orc

(1)创建存储数据格式为orc的表
	create table log_orc(
		track_time string,
		url string,
		session_id string,
		referer string,
		ip string,
		end_user_id string,
		city_id string
	)
	row format delimited fields terminated by '\t'
	stored as orc;
	
(2)向表中加载数据
	insert into table log_orc select * from log_text;

(3)查看表中数据大小
	dfs -du -h /user/hive/warehouse/log_orc/;

3.parquet

(1)创建存储数据格式为parquet的表
	create table log_parquet(
		track_time string,
		url string,
		session_id string,
		referer string,
		ip string,
		end_user_id string,
		city_id string
	)
	row format delimited fields terminated by '\t'
	stored as parquet;
	
(2)向表中加载数据
	insert into table log_parquet select * from log_text;

(3)查看数据大小
	dfs -du -h /user/hive/warehouse/log_parquet/;

4.存储文件的压缩比总结：

ORC >  Parquet >  textFile

5.存储文件的查询速度测试：

select count(*) from log_text;
select count(*) from log_orc;
select count(*) from log_parquet;
	总结：查询速度相近。