hive文件存储格式orc和parquet详解

hive支持的文件类型：textfile、sequencefile（二进制序列化文件）、rcfile（行列式文件）、parquet、orcfile（优化的行列式文件）

一、orc文件

带有描述式的行列式存储文件。将数据分组切分，一组包含很多行，每一行再按例进行存储。

orc文件结合了行式和列式存储结构的优点，在有大数据量扫描读取时，可以按行进行数据读取。如果要读取某列的数据，可以在读取行组的基础上读取指定的列，而不需要读取行组内所有数据以及一行内的所有字段数据。

1.1 orc文件的结构：

条带（stripe）

orc文件存储数据的地方

文本脚注（file footer）

包含了stripe列表，每个stripe包含的行数，以及每个列的数据类型。包含每个列的最大值，最小值，行计数，求 和等信息。

postscript

压缩参数和压缩大小相关的信息

1.2 stripe结构

分为三部分：index data、rows data、stripe footer

index data：保存了所在条带的一些统计信息，以及数据在stripe中的位置索引信息

rows data：存储数据的地方，由多行组成，数据以stream（流）的形式存储

stripe footer：保存数据所在的目录

1.3 rows data数据结构

metadata stream ：描述每个行组的元数据信息

data stream：存储数据的地方

1.4 orc文件中提供了三个级别的索引

文件级别：记录文件中所有script的位置信息，以及文件中存储的每列数据的统计信息

条带级别：记录每个stripe所存储的数据统计信息

行组级别：在script中，每10000行构成一个行组，该级别的索引信息就是记录这个行组中存储的数据统计信息

1.5 效率和数据类型

通过orc文件的索引，可以快速定位要查询的数据块，规避不满足查询条件的数据块和文件，相比读取传统的数据文件，进行查找时需要遍历全部数据，使用orc可以避免磁盘和网络的I/O浪费，从而提高查询效率。提升整个集群的工作负载。

hive以orc文件格式存储时，描述这些数据的字段信息，字段类型信息以及编码等信息都和orc中存储的数据放在一起。

orc文件都是自描述的，不依赖外部的数据，也不存储在hive元数据库中。

数据类型：boolean，tinyint、smallint、int、bigint、float、double、string、varchar、char、binary，timestamp和date、

复杂类型：struct、list、map、union

所有类型都可以接受null值。

1.6 acid事务的支持

0.14版本之前，hive表的数据只能新增或者整块删除分区表，而不能对表进行单个记录的修改。0.14版本以后，orc文件类型能够确保hive在工作时的原子性、一致性、隔离性、持久性的ACID事务能够被正确的使用。可以对单条数据进行更新。

hive 的事务适合对大批量的数据进行更新，不适合频繁的小批量数据。
下面是创建hive事务表的方法

--（1）开启配置
----开启并发支持，支持删除和更新事务

set hive.support.concurrentcy=true;

----支持acid事务的表必须为分桶表

set hive.enforce.bucketing=true;

-----动态分区，开启事务需要开启动态分区非严格模式

set hive.exec.dynamic.partition=true;

set hive.exec.dynamic.partition.mode=nonstrict;

----所有的org.apache.hadoop.hive.sql.lockmgr.DummyTxnManager 不支持事务

set hive.txn.manager=org.apache.hadoop.hive.sql.lockmgr.DummyTxnManager

---开启在相同的一个meatore实例运行初始化和清理的线程

set hive.compactor.initiator.on=true;

--设置每个metastore实例运行的线程数

set hive.compactor.worker.threads=1

--（2）创建表
-- 必须支持分桶
create table student_txn
( id int,
  name String
)cluster by (id) into 2 buckets
stored as orc
-- 表属性中添加支持事务
tblproperties('transactional' = 'true')

--(3) 插入数据，更新数据

insert into table student_txn values('1000','student_1001');

update student_txn set name='student_lzn' where id='1001';

1.7 orc相关的配置

orc.compress: 压缩类型，none，zlib，snappy

orc.compress.size: 压缩块的大小，默认值262114（256kb）

orc.stripe.size: 写stripe，可以使用的内存缓冲池大小，默认67108864（64mb）

orc.row.index.stride: 行组级别的索引数量大小，默认10000，必须设定为大于10000的数。

orc.create.index: 是否创还能行组级别索引，默认true

orc.bloom.filter.columns: 需要创建的布隆过滤器的组

orc.bloom.filter.fpp: 使用布隆过滤器的假正（false positive）概率，默认为0.05

hive中使用布隆过滤器可以用较少的空间判定数据是否存在表中（如果不存在，那么100%就是不存在，存在的话再去查找确认存在）。

hive表配置属性：

hive.stats.gather.num.threads: 收集统计信息的线程数，默认10。只适用于orc这类已经实现StatsProvidingReader接口的文件格式。

hive.exec.core.memory.pool: 写orc文件，可以使用的已分配堆内存的最大比例。

hive.exec.orc.default.stripe.size: 每个stripe文件，可以会用的缓冲池大小，默认64MB。

hive.exec.orc.default.block.size: 每个stripe存储文件块大小，默认256MB。

hive.exec.orc.dictionary.key.size.threshold: 阈值，默认0.8。如果字典中的键数大于所有非空数据行数的这一阈值，则关闭字典编码。

hive.exec.orc.default.row.index.stride: hive表行组级索引数量大小，默认10000。

hive.exec.orc.default.block.padding: 写orc文件时，是否填充已有的hdfs文件块，默认false。

hive.exec.orc.block.padding.tolerance: 阈值，默认0.05，允许填充到hdfs文件块的最小文件。

hive.exec.orc.default.compress: 定义orc文件压缩编码、解码器。默认为zlib。

hive.merge.orcfile.stripe.level: 默认true。这时如果hive.merge.mapfile、hive.merge.mapredfiles或者hive.merge.tezfiles也开启，在写入数据到orc文件时，将会一strip级别合并小文件。

hive.exec.orc.zerocopy: 默认false，使用零拷贝方式读取orc文件。

hive.exec.orc.skip.corrupt.data: 默认false，处理数据时，遇到异常抛出，为true，则跳过异常。

二、parquet文件

2.1 parquet的基本结构

表被分为多个行组，每个列块又被拆分成若干的页。

parquet存储时，会记录数据的元数据，文件级别的元数据，列块级别的元数据，页级别的元数据。

文件级别的元数据：表结构，文件记录数，文件拥有的行组数，以及行组的总量记录数，每个行组下，列块文件偏移量。

列块级别的元数据：列块压缩前后的数据大小，以及压缩编码，数据页偏移量，索引页偏移量，列块数据记录数。

页级别的元数据（页头）：页的编码信息，数据记录数

parquet文件结构同样在查询时可以过滤大量的记录，但是orc对过滤做了额外的优化，相比之下，查时，orc文件会消耗更少的资源。

2.2 parquet文件配置

parquet.block.size: 默认134217728byte，128MB，表示在内存中的块大小。可以设置更大，可以提高读效率，但是写时耗费更多的内存。

parquet.page.size: 1048576byte，1MB，每个页的大小，特指压缩后的页大小，读取时先将页进行解压。页是parquet操作的最小单位，每次读取时，必须读完一整页数据才能访问数据。设置过小会导致压缩出现性能问题。

parquet.compression: 默认uncompressed、表示页的压缩方式。

parquet.enable.dictionary: 默认true，是否启用字典编码

parquet.dictionary.page.size: 默认1048576byte（1MB），使用字典码，会在每一行，每一列中创建一个字典页。使用字典编码，如果在存储的数据页中重复数据较多，能够起到很好的压缩效果，也能减少每页的内存使用。

2.3 数据归档

对于hdfs中有大量小文件的表，可以通过hadoop归档（hadoop archive）的方式将文件归并成为较大的文件。

归并后的分区会先创建data.har目录，包含：索引和数据。索引记录归并前的文件在归并后的位置

数据归档：数据归档后不会对数据进行压缩

—启用数据归档

set hive.archive.enabled=true;

set hive.archive.har.parentdir.settable=true;

—归档后的最大文件大小

set har.partfile.size=1099511627776

—对分区执行归档

set table table_name archive partition(partition_col=partition_val)

–将归档的分区还原为原来的普通分区

alter table table_name unarchive partition (partition_col=partition_val)