打怪升级之小白的大数据之旅(六十八)＜Hive旅程第九站:Hive的压缩与存储＞

最新推荐文章于 2024-11-08 10:38:56 发布
最新推荐文章于 2024-11-08 10:38:56 发布
阅读量183 收藏
点赞数
文章标签： 大数据 python java hive hadoop
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/li_g_yuan/article/details/117516009
版权

打怪升级之小白的大数据之旅(六十八)

Hive旅程第九站:Hive的压缩与存储

上次回顾

  • 上一章，我们学习完了hive的函数相关操作，到此，我们hive的大的知识点就全部介绍完毕了，当然了，还有一些细节我没有讲到，大家可以私信我或者去官网看看说明文档：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+ORC
  • 本章和下一章的内容与Hadoop学习一样，我将优化部分拆分成两块，把压缩和存储单独抽出来，然后再是其他在工作中遇到的一些优化方法总结，好了，进入正题

Hadoop压缩配置

  • 因为hive是基于Hadoop的，所以支持的压缩算法、编码等知识点我在Hadoop压缩那一章讲过了，这里就把具体的压缩参数配置再次回顾一下
  • 只有io.compression.codecs这个配置在core-site.xml中，其他的都在mapred-site.xml文件中
参数默认值阶段建议
io.compression.codecs (在core-site.xml中配置)org.apache.hadoop.io.compress.DefaultCodec, org.apache.hadoop.io.compress.GzipCodec, org.apache.hadoop.io.compress.BZip2Codec, org.apache.hadoop.io.compress.Lz4Codec输入压缩Hadoop使用文件扩展名判断是否支持某种编解码器
mapreduce.map.output.compressfalsemapper输出这个参数设为true启用压缩
mapreduce.map.output.compress.codecorg.apache.hadoop.io.compress.DefaultCodecmapper输出使用LZO、LZ4或snappy编解码器在此阶段压缩数据
mapreduce.output.fileoutputformat.compressfalsereducer输出这个参数设为true启用压缩
mapreduce.output.fileoutputformat.compress.codecorg.apache.hadoop.io.compress. DefaultCodecreducer输出使用标准工具或者编解码器，如gzip和bzip2
mapreduce.output.fileoutputformat.compress.typeRECORDreducer输出SequenceFile输出使用的压缩类型：NONE和BLOCK

Map输出阶段压缩

开启map输出阶段压缩可以减少job中map和Reduce task间数据传输量。具体配置如下

-- 直接在hive终端使用如下参数
-- 开启hive中间传输数据压缩功能
set hive.exec.compress.intermediate=true;
-- 开启mapreduce中map输出压缩功能
set mapreduce.map.output.compress=true;
-- 设置mapreduce中map输出数据的压缩方式
set mapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.SnappyCodec;

Reduce输出阶段压缩

  • 当Hive将输出写入到表中时，输出内容同样可以进行压缩
  • 属性hive.exec.compress.output控制着这个功能
  • 用户可能需要保持默认设置文件中的默认值false，这样默认的输出就是非压缩的纯文本文件了
  • 用户可以通过在查询语句或执行脚本中设置这个值为true，来开启输出结果压缩功能
开启hive最终输出数据压缩功能
set hive.exec.compress.output=true;
开启mapreduce最终输出数据压缩
set mapreduce.output.fileoutputformat.compress=true;
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;
设置mapreduce最终数据输出压缩为块压缩
set mapreduce.output.fileoutputformat.compress.type=BLOCK;

数据存储格式

  • Hive支持的存储数据的格式主要有：TEXTFILE 、SEQUENCEFILE、ORC、PARQUET
  • 我们数据库中看到的数据是这个样子的
    在这里插入图片描述
  • 实际上，这个是我们看到的样子，它是逻辑表，真正的存储还是如同数组一样…让我们来看看真正的存储样子是什么吧

行存储与列存储

下图中，左边为逻辑表，右边第一个为行式存储，第二个为列式存储
在这里插入图片描述
这下知道我们的表在真正存储时的样子了吧
row layout 对应的就是逻辑表中的一行数据 a1,b1,c1
column layout 对应的就是逻辑表中的一列数据 a1 a2 a3 a4 a5

行存储

  • 查询满足条件的一整行数据的时候，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,就像上图中的row layout，我们要查询a1,b1,c1的时候，只需要找到a1，即可快速找到b1和c1

列存储

  • 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，列式存储可以针对性的设计更好的设计压缩算法
  • 在后面我们学习的hbase就是列式存储模式

数据存储格式：

  • 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
  • 还记得DDL操作中创建表时，sorted by 这个参数么，它就是用来指定文件的存储格式的，当我们不指定时，默认就是TextFile格式
  • TextFile特点是数据不做压缩，磁盘开销大，数据解析开销大。通常我们结合Gzip、Bzip2使用
  • 但是使用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
  • 这个是我比较推荐的文件存储格式，它是Hive 0.11版里引入的新的存储格式

Orc格式存储原理
在这里插入图片描述

  • 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(下面会讲)

  • 每个Stripe里有三部分组成，分别是Index Data，Row Data，Stripe Footer

    • 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
    • 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
    • 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

  • 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

  • Parquet由三个部分组成

    • 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
    • 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
    • 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

  • 通常情况下，在存储Parquet数据的时候会按照Block大小设置行组的大小

  • 由于一般情况下每一个Mapper任务处理数据的最小单位是一个Block，这样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

Parquet存储原理
在这里插入图片描述

  • 上图展示了一个Parquet文件的内容，一个文件中可以存储多个行组，文件的首位都是该文件的Magic Code，用于校验它是否是一个Parquet文件
  • Footer length记录了文件元数据的大小，通过该值和文件长度可以计算出元数据的偏移量，文件的元数据中包括每一个行组的元数据信息和该文件存储数据的Schema信息
  • 除了文件中每一个行组的元数据，每一页的开始都会存储该页的元数据，在Parquet中，有三种类型的页：数据页、字典页和索引页。
    • 数据页用于存储当前行组中该列的值
    • 字典页存储该列值的编码字典，每一个列块中最多包含一个字典页
    • 索引页用来存储当前行组下该列的索引，目前Parquet中还不支持索引页

指定文件格式示例

创建表，存储数据格式为TEXTFILE

create table log_text_file (
    id int
    name string)
row format delimited fields terminated by '\t'
stored as textfile;

创建表，存储数据格式为ORC

create table log_orc_file(
    id int
    name string)
row format delimited fields terminated by '\t'
stored as orc
tblproperties("orc.compress"="NONE"); -- 设置orc存储不使用压缩

创建表，存储数据格式为Parquet

create table log_parquet_file(
    id int
    name string)
row format delimited fields terminated by '\t'
stored as parquet ;

通常情况下指定了文件存储格式，它们的大小比较如下(ORC存储大小最小)：
ORC > Parquet > textFile

存储结合压缩

创建一个ZLIB压缩的ORC存储方式

create table log_orc_zlib_file(
    id int
    name string)
row format delimited fields terminated by '\t'
stored as orc
tblproperties("orc.compress"="ZLIB");

创建一个SNAPPY压缩的ORC存储方式

create table log_orc_snappy_file(
    id int
    name string)
row format delimited fields terminated by '\t'
stored as orc
tblproperties("orc.compress"="SNAPPY");

创建一个SNAPPY压缩的parquet存储方式

create table log_parquet_snappy_file(
    id int
    name string)
row format delimited fields terminated by '\t'
stored as parquet
tblproperties("parquet.compression"="SNAPPY");

存储方式和压缩总结

  • 在实际的项目开发当中，hive表的数据存储格式一般选择：orc或parquet。压缩方式一般选择snappy，lzo

总结

好了，压缩与存储的内容就这么多，下一章是Hive的其他优化

GaryLea
关注
《大数据： Hive 压缩和存储》
yexiangCSDN的专栏
10-14 113
一、Hive 压缩和存储 资源准备 1．CentOS联网 配置CentOS能连接外网。Linux虚拟机ping www.baidu.com是畅通的 注意：采用root角色编译，减少文件夹权限出现问题 2．jar包准备(hadoop源码、JDK8 、maven、protobuf) （1）hadoop-2.7.2-src.tar.gz （2）jdk-8u144-linux-x64.tar.gz （3）snappy-1.1.3.tar.gz （4）apache-maven-3.0.5-bin..
【Hadoop】core-site.xml配置文件详解
热门推荐
康师傅没有眼泪
10-16 1万+
-- 一个逗号分隔的类名列表，他们必须继承于org.apache.hadoop.http.FilterInitializer，相应的过滤器被初始化后，将应用于所有的JSP和Servlet网页 -->但是这对小数据包是不利的。
Hadoop配置项整理(core-site.xml)
weixin_33812433的博客
12-26 1441
记录一下Hadoop的配置和说明，用到新的配置项会补充进来，不定期更新。以配置文件名划分 以hadoop 1.x配置为例 core-site.xml    name value  Description   fs....
Hadoop 压缩实现分析
大数据技术杂谈
02-15 505
引子 随着云时代的来临，大数据（Big data）也获得了越来越多的关注。著云台的分析师团队认为，大数据（Big data）通常用来形容一个公司创造的大量非结构化和半结构化数据，这些数据在下载到关系型数据库用于分析时会花费过多时间和金钱。大数据分析常和云计算联系到一起，因为实时的大型数据集分析需要像 MapReduce 一样的框架来向数十、数百或甚至数千的电脑分配工作。 “大数据”在互
Hadoop core-site.xml 配置项列表
weixin_30492047的博客
11-27 459
core-default.xml与core-site.xml的功能是一样的，如果在core-site.xml里没有配置的属性，则会自动会获取core-default.xml里的相同属性的值 官方文档：http://hadoop.apache.org/docs/current/hadoop-project-dist/hadoop-common/core-default.xml 以下表格中专业词简...
Hadoop配置文件--[core-site.xml]说明
GulfMoon
03-25 1644
一、官方文档说明 http://hadoop.apache.org/docs/stable/hadoop-project-dist/hadoop-common/core-default.xml 二、参数说明 1.fs.defaultFS 比如： hdfs://streamcluster 2.hadoop.tmp.dir 不配置的话是有默认值的，但是/tmp目...
打怪升级之小白的大数据之旅--hive测试数据
06-03
hive测试数据
大数据实验六实验报告：熟悉Hive的基本操作
06-20
Hive是基于Hadoop的数据仓库工具，它允许通过SQL-like查询语言（HQL）对分布式存储的大数据集进行处理和分析。 1. **创建内部表**： 在Hive中，内部表由Hive自身管理，数据存储在HDFS中。实验中创建了一个名为`...
013 大数据之HIVE压缩和存储
小哥哥咯的博客
01-16 208
上一篇文章：012 大数据之HIVE查询 1、Hive的数据压缩介绍及使用 1、HIVE的输入编解码器不需要设置，使用文件扩展名自动判断是否支持，Hive的Map、Reduce压缩功能默认不开启； 2、Hive常见的存储格式的区别与应用场景，SequenceFile实现合并小文件，SequenceFile格式与mapreduce； 3、HIVE使用Map、Reduce压缩功能时需要开启hive中间传输数据压缩功能，才可正常使用； 4、snappy最常作为企业数据压缩格式，但不支持切分，而LZO可通过使用索引
大数据技术之Hive.docx
03-03
大数据技术之Hive 大数据技术之Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张表，并提供类SQL查询功能。本质是将HQL转化成MapReduce程序。Hive处理的数据存储在HDFS，分析数据底层的实现...
Hive那些事儿之八-大数据踩过的坑——Hive insert
01-07
Hive那些事儿之八-大数据踩过的坑——Hive insert 我在对Hive表数据清洗后，使用了如下SQL将结果集插入到新表中: insert into db_name.table_name_1 ( col_1,col2,col3 ) with temp_table_1 as ( select id,col_2 ...
大数据 hive 实战数据
04-07
让我们深入探讨一下这两个部分以及与Hive、大数据、Hadoop和数据仓库相关的知识点。 首先，`video`数据可能包含了关于视频的各种信息，如视频ID、视频标题、时长、分类、上传日期、播放次数、评论数量等。这些数据...
【零基础小白】 window环境下安装RabbitMQ
许苑向上
11-06 301
RabbitMQ是用编写的，因此在安装RabbitMQ之前，需要先安装Erlang环境。确定Erlang版本：根据具体需求以及安装符合的Erlang版本。本文下载的故而下载Erlang版本之间的，打开系统属性：右键点击“此电脑”或“计算机”图标，选择“属性”，然后点击“高级系统设置”。编辑环境变量：在“系统属性”窗口中，点击“环境变量”按钮。编辑Path变量：同样在“系统变量”区域，找到名为Path的变量并选择它，然后点击“编辑”按钮。
数据治理项目怎么做，3种推进思路可参考
esensoft123的博客
11-06 568
因此，即使有些人认为先建大数据平台而暂时无法实现业务支撑或应用分析是无效的，但实际上，在建设平台的过程中，企业的能力已经在逐步提升。因此，在做项目时，我们必须与最终用户达成一致，明确项目的定义和规划。先做数据治理顶层设计的规划，确定战略目标，进而拆解KPI，然后设立对应的支撑项目，并且根据优先级别进行排序，最后形成一个执行的路径，即每个阶段要建设的项目及其目标。这种方式的优点显而易见：它确保了项目有明确的规划和方向，从面到线，再到点，逐步落实，从而最大程度地保证了项目的成功，减少了无用功和重复建设。
大数据学习10之Hive高级
qq_64407249的博客
11-06 1172
过程：创建Maven项目，导入依赖，创建方法类，并继承响应方法类实现方法类的方法生成jar包Hive导入自定义函数jar包重新加载函数。
牛客网项目总结
qq_43539664的博客
11-04 291
下面这幅图是牛客网项目的架构图，最下层是Spring Boot，表示我们所有的技术都是基于Spring Boot，上面一层是Spring，Spring上面是Spring MVC、Spring MyBatis 和 Spring Security。数据库访问的问题，通过Spring Security来管理我们项目中的安全层面的这个内容来管理我们项目中的权限，这三个技术都是基于Spring之上的。由Spring进行整合。通过Spring MVC 解决前后端请求交互的问题，通过Spring MyBatis解决。
系统架构设计师论文：论湖仓一体架构及其应用
Programming Talk
11-08 18
统一数据存储：湖仓一体架构将数据湖和数据仓库的功能整合在一起，实现了统一的数据存储。这意味着企业可以在一个平台上同时处理和分析结构化、半结构化和非结构化数据，无需将数据迁移到不同的存储系统中。事务一致性：与传统的数据湖相比，湖仓一体架构提供了事务一致性的支持。这意味着在数据写入、更新和删除时，可以确保数据的一致性和完整性，避免了数据不一致带来的问题。高并发实时处理：湖仓一体架构支持高并发的实时数据处理和分析。
Kafka-linux环境部署
xiaoyuanbama的博客
11-05 261
Kafka在Linux环境下的安装，以及一点点的kafka实战运维优化经验。
MQ的基础知识
最新发布
2201_75397629的博客
11-08 512
其实就是不同的程序之间的一种的通信方式,通过将消息发送到中间件里面然后中间件就会将这个消息发送给相应的服务进行一个消息的消费,这个时候就会进行一些的业务逻辑的处理,这个方式提高了整个系统的可靠性,拓展性以及灵活性.常见的类型为Aapache Kafaka，RabbitMQ，RocketMQ,但是一般的话现在都是用RocketMQ这个的话后面我会说他们之间的区别。
RDD转换算子：【filter】
一个大数据的爱好者
11-04 241
RDD转换算子：filter的用法
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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