【hive】hive的数据格式介绍

textfile

sequencefile

rcfile

avro

自定义 

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。

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。

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：

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

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：

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

AVRO

在https://issues.apache.org/jira/browse/HIVE-895 支持hive(0.10.0)

Avro是一种用于支持数据密集型的二进制文件格式。它的文件格式更为紧凑，若要读取大量数据时，Avro能够提供更好的序列化和反序列化性能。并且Avro数据文件天生是带Schema定义的，所以它不需要开发者在API 级别实现自己的Writable对象。最近多个Hadoop 子项目都支持Avro 数据格式，如Pig 、Hive、Flume、Sqoop和Hcatalog。

图3：Avro MR 文件格式

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。

文件存储大小比较与分析

我们选取一个TPC-H标准测试来说明不同的文件格式在存储上的开销。因为此数据是公开的，所以读者如果对此结果感兴趣，也可以对照后面的实验自行做一遍。Orders 表文本格式的原始大小为1.62G。 我们将其装载进Hadoop 并使用Hive 将其转化成以上几种格式，在同一种LZO 压缩模式下测试形成的文件的大小。

 

Orders_text1	1732690045	1.61G	非压缩	TextFile
Orders_tex2	772681211	736M	LZO压缩	TextFile
Orders_seq1	1935513587	1.80G	非压缩	SequenceFile
Orders_seq2	822048201	783M	LZO压缩	SequenceFile
Orders_rcfile1	1648746355	1.53G	非压缩	RCFile
Orders_rcfile2	686927221	655M	LZO压缩	RCFile
Orders_avro_table1	1568359334	1.46G	非压缩	Avro
Orders_avro_table2	652962989	622M	LZO压缩	Avro

其他资料：

http://www.infoq.com/cn/articles/hadoop-file-format

http://www.csdn.net/article/2011-04-29/296900