一、hive的存储格式
1.TEXTFILE
常见的 txt、csv、tsv等文件都属于TEXTFILE。Hive 默认存储格式为 TEXTFILE,即创建表时如果不单独指定存储格式,则认为存储格式为TEXTFILE。存储格式为按行存储,内容为普通的文本格式,一般可以使用cat命令直接查看。TEXTFILE格式的数据文件无须任何处理即可导入Hive,文件每一行为一条记录,记录可用任意分隔符进行列分割,记录之间须以行结束符分割。Hive将TEXTFILE映射为表的过程中,将会逐个字符地判断是否为列分隔符或行分隔符。TEXTFILE支持使用Gzip压缩,但 Gzip 压缩后的文件将不再支持 MapReduce 分割机制,这意味着压缩后的文件不论有多少个HDFS块都只能被一个Map任务处理,即失去了使用集群并行处理的优势。
2.SEQUENCEFILE
SEQUENCEFILE是Hadoop提供的一种由“二进制序列化过的Key/Value字节流”组成的文本存储文件格式。其由于内容为二进制字节,所以无法通过cat命令查看原始字符,这可以抽象地理解为,在SEQUENCEFILE中每条记录均以键值对的方式进行存储,仅支持追加。与TEXTFILE类似,SEQUENCEFILE同样按行存储。
Hive无法直接导入SEQUENCEFILE格式的数据文件。数据须首先导入至TEXTFILE
格式的表中,然后再从 TEXTFILE格式的表中采用插入方式导入至SEQUENCEFILE格
式的表。
SEQUENCEFILE是可分割的文件格式,支持3种压缩选项。
(1)NONE:不压缩。
(2)RECORD(默认选项):记录级压缩,压缩率低。
(3)BLOCK:块级压缩,压缩率高。
3.RCFILE
RCFILE(Record-Columnar File)是Facebook 开发的一种专门面向列的数据存储格式,不同于TEXTFILE和SEQUENCEFILE,RCFILE是基于行列混合存储思想的设计。
RCFILE遵循“先水平划分,再垂直划分”的设计理念:首先把Hive表水平切分成多个行组,保证同一行的数据位于同一节点,其次在行组内按照“列”垂直切分,实现列与列的数据在磁盘上呈现为连续的存储块。使用RCFILE的优势是既保证了每条记录所有列在同一个HDFS块,也可以做到当查询仅针对表中的少数几列时,可跳过不必要的列进行数据读取。RCFIE存储格式如图1.4所示
注意:与SEQUENCEFILE类似,Hive在导入RCFILE格式的数据文件时也需要经过 TEXTFILE 转换。
4.ORCFILE
ORCFILE(Optimized Row-Columnar File)是对RCFILE 的优化,可以提供一种高效的方法来存储Hive 数据。ORCFIE的特点是:支持压缩比很高的压缩算法,文件可切分,提供多种索引,支持复杂的数据结构。
二、hive的数据单元
1.数据库
数据库(Database)类似于RDBMS 中的数据库,在HDFS 中表现为 hive.metastore warehouse.dir 目录下的一个文件夹,其本质是用于避免表、视图、分区、列等命名冲突的命名空间。
2.表
表(Tables)由列构成,在表上可以进行过滤、映射、连接和联合操作。表在HDFS中表现为所属数据库目录下的子目录,具体又分内部表和外部表。内部表类似于RDBMS中的表,由 Hive 管理。外部表指向已经存在HDFS中的数据,与内部表元数据组织是相同的,但其数据存放位置是任意的。外部表的真实数据不被Hive管理,即当删除一张内部表时,元数据以及 HDFS上的真实数据均被删除,而删除外部表则只会删除元数据而不会删除真实数据。
3.分区
每个表都可以按指定的键分为多个分区(Partitions)。分区的作用是提高查询的效率,其在 HDFS 中表现为表目录下的子目录。
4.分桶
根据表中某一列的哈希值可将数据划分为多个分桶(Buckets),在HDFS中分表现为同一个目录下根据哈希散列之后的多个文件。
可以看到,Hive中的数据单元划分与RDBMS的物理型非常类似。但在Hive数据单元划分过程中还必须注意以下几点。
➢Hive 表没有主键。
➢Hive表(0.14版本前)不支持行级操作,新版本中行级操作效率也比较低。
➢Hive 表不支持批量 update 操作,但可以先删除、再添加。
➢Hive分区和分桶可以极大提升数据查询效率。
三、hive的存储模型
按照数据单元的划分结果,Hive数据在HDFS的典型存储结构中表现为以下形式
➢/数据仓库地址/数据库名称/表名称/数据文件(或分数据文件)。
➢/数据仓库地址/数据库名称/表名称/分区键/数据文件(或分桶数据文件)。
假设数据仓库地址 hive.metastore.warehouse.dir为“/hive/warehouse”,则可知如下
内容。
(1)“/hive/warehouse/”表示Hive 自带的“default”数据库位置。
(2)“/hive/warehouse /demo.db”表示数据仓库中存在“demo”数据库。
(3)“/hive/warehouse /demo.db/users”表示 demo 数据库中存在 users 表。
(4)“/ive/warehouse/demo.db/users/000000…”为demo 中 users 表里的数据文件。
(5)“/hive/warehouse /demo,db/orders/year-2018/part-0000……”表示 demo 中 orders表里的数据按照年份进行分区,这里显示的是分区year-2018下的数据文件。
Hive 数据存储模型的具体描述如图1.5所示。
在Hive 中,数据按分布的均匀情况可以分为正常的数据和倾斜的数据。数据倾斜就
是由于数据分布不均匀、数据大量集中到一点上造成的数据热点问题。分区是按照指定
的key 值来划分的,当大量相同的key值被分配到一个分区里时就会产生数据倾斜,在
后面的章节中还会讨论针对数据倾斜的解决方案。