压缩与存储

9.1.1MR 支持的压缩编码

为了支持多种压缩/解压缩算法，Hadoop 引入了编码/解码器，如下表所示：
压缩格式==== 对应的编码/解码器
DEFLATE-------org.apache.hadoop.io.compress.DefaultCodec
gzip---------------org.apache.hadoop.io.compress.GzipCodec
bzip2-------------org.apache.hadoop.io.compress.BZip2Codec
LZO--------------com.hadoop.compression.lzo.LzopCodec
Snappy----------org.apache.hadoop.io.compress.SnappyCodec

压缩性能的比较：
压缩算法 原始文件大小 压缩文件大小 压缩速度 解压速度
gzip-------------8.3GB---------- 1.8GB------ 17.5MB/s-- 58MB/s
bzip2 ----------8.3GB----------- 1.1GB ------2.4MB/s---- 9.5MB/s
LZO -----------8.3GB --------------2.9GB —49.3MB/s —74.6MB/s

开启 Map 输出阶段压缩（MR 引擎）:

开启map输出阶段压缩会减少job中的 map和reduce 阶段之间的数据传输量

（1）开启 hive 中间传输数据压缩功能

hive (default)>set hive.exec.compress.intermediate=true;

（2）开启 mapreduce 中 map 输出压缩功能

hive (default)>set mapreduce.map.output.compress=true;

（3）设置 mapreduce 中 map 输出数据的压缩方式

hive (default)>set mapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.SnappyCodec;

开启 Reduce 输出阶段压缩

（1）开启 hive 最终输出数据压缩功能

set hive.exec.compress.output=true;
（2）开启 mapreduce 最终输出数据压缩
set mapreduce.output.fileoutputformat.compress=true;
（3）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;
（4）设置 mapreduce 最终数据输出压缩为块压缩
set mapreduce.output.fileoutputformat.compress.type=BLOCK;

存储的结构

先来看一下行式存储和列式存储

行式存储:
当查询的数据为满足条件的一行数据或者多个字段时,因为行式存储字段数据都是相邻的,查询速度会比较快
列式存储:
当我们查询少数字段时,能够减少大量的读取量;
每一列的数据类型等格式都是相同的,利于压缩等算法的计算

注意 : 常用的4种存储格式

TEXTFILE 和 SEQUENCEFILE 的存储格式都是基于行存储的；
ORC 和PARQUET 是基于列式存储的。

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 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。

Orc 格式

Orc (Optimized Row Columnar)是 Hive 0.11 版里引入的新的存储格式。
如下图所示可以看到每个 Orc 文件由 1 个或多个 stripe 组成，每个 stripe 一般为 HDFS的块大小，每一个 stripe 包含多条记录，这些记录按照列进行独立存储，对应到Parquet中的row group 的概念。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。

Parquet 格式

（1）行组(Row Group)：每一个行组包含一定的行数，在一个 HDFS 文件中至少存储一个行组，类似于 orc 的 stripe 的概念。
（2）列块(Column Chunk)：在一个行组中每一列保存在一个列块中，行组中的所有列 连续的存储在这个行组文件中。一个列块中的值都是相同类型的，不同的列块可能使用不同的算法进行压缩。
（3）页(Page)：每一个列块划分为多个页，一个页是最小的编码的单位，在同一个列 块的不同页可能使用不同的编码方式。

---

创建一个orc 压缩存储的方式 :修改参数:orc.compress
stored as orc tblproperties=(“orc.compress”=“NONE”) #不使用压缩的方式
stored as orc tblproperties=(“orc.compress”=“ZLIB”) #默认就是使用ZLIB压缩的方式
stored as orc tblproperties=(“orc.compress”=“SNAPPY”) #使用SNAPPY 压缩

parquet 压缩存储的创建 修改参数:parquet.compression
stored as parquet tblproperties(“parquet.compression”=“SNAPPY”); # 默认是不压缩的