【HIVE】(04)学会理解Hive支持的存储数据格式

系列文章回顾
【HIVE】(01)学会使用JOIN语句
【HIVE】(02)学会理解explain
【HIVE】(03)学会hive中的压缩和解压进行资源优化
【HIVE】(04)学会如何优化hive任务的mapper和reducer个数

---

---

Hive支持的存储数据格式主要有：textfile、sequencefile、orc、parquet。
有使用建议如下：
1）ORC和Parquet是Hive中推荐的存储格式，特别适合大规模数据存储和高性能查询。
2）TextFile和SequenceFile适用于特定场景下的数据存储和处理，但在大规模数据集和性能要求较高的情况下可能不够高效。
本文将介绍不同存储格式的特点。

一.2大类存储方式

有2大类存储方式：行存储、列存储。
1）行存储的特点
查询到满足条件的一行数据时，列存储则需要去每个聚集的字段找到对应的每个列的值，行存储只需要找到其中1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。

• textfile和seqluencefile的存储格式都是基于行存储的；

2）列存储的特点
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地设计更好的压缩算法。

• orc和parquet的存储格式都是基于列存储的；

二.TextFile格式

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，但使用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。

三.Orc格式

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。
每个stripe里有3部分组成，分别是index data，row data, stripe footer。
1）index data
一个轻量级的index，默认是每隔1w行做1个索引。
这里的索引应该只是记录某行的各字段在row data中的offset。
2）row data
存的是具体数据，先取部分行，然后对这些行按列进行存储。
对每个列进行编码，分为多个stream来存储。
3）stripe footer
存的是各个stream的类型、长度等信息。
每个文件有1个filede 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PostScipt，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。

四.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。
1）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。
2）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。
3）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。

五.存储和压缩结合

格式：在创建表语句后面加上存储、压缩的形式
示例：创建一个 SNAPPY 压缩的 parquet 存储方式

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