hive文件存储格式

hive在建表是,可以通过‘STORED AS FILE_FORMAT’ 指定存储文件格式
例如:
    > CREATE EXTERNAL TABLE MYTEST(num INT, name STRING)  
    > ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'  
    > STORED AS TEXTFILE  
    > 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:
    > create table test1(str STRING)  
    > STORED AS TEXTFILE;   
    OK  
    Time taken: 0.786 seconds  
    #写脚本生成一个随机字符串文件,导入文件:  
    > LOAD DATA LOCAL INPATH '/home/work/data/test.txt' INTO TABLE test1;  
    Copying data from file:/home/work/data/test.txt  
    Copying file: file:/home/work/data/test.txt  
    Loading data to table default.test1  
    OK  
    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:
    > create table test2(str STRING)  
    > STORED AS SEQUENCEFILE;  
    OK  
    Time taken: 5.526 seconds  
    hive> SET hive.exec.compress.output=true;  
    hive> SET io.seqfile.compression.type=BLOCK;  
    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:
    > create table test3(str STRING)  
    > STORED AS RCFILE;  
    OK  
    Time taken: 0.184 seconds  
    >  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
    > create table test4(str STRING)  
    > stored as  
    > inputformat 'org.apache.hadoop.hive.contrib.fileformat.base64.Base64TextInputFormat'  
    > 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:
    hive> LOAD DATA LOCAL INPATH '/home/work/test1.txt' INTO TABLE test4;   
    Copying data from file:/home/work/test1.txt  
    Copying file: file:/home/work/test1.txt  
    Loading data to table default.test4  
    OK  
    Time taken: 4.742 seconds  
    hive> select * from test4;  
    OK  
    hello,hive  
    hello,world  
    hello,hadoop  
    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。

reference:
Hive Data Definition Language
浅谈hadoop文件格式

Facebook数据仓库揭秘:RCFile高效存储结构

本文转载地址:http://blog.csdn.net/yfkiss/article/details/7787742

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值