背景
由于缺少统一的规范落地和平台工具支持,大部分的业务人员、技术人员在建表时并没有考虑到 Hive表 格式的重要性。随着数据量的上升,TextFile格式的存储浪费情况越来越严重
在数仓建设中,除了ODS层的表使用TextFile来加快数据加载外,其他层的 Hive 表都应该使用具有高压缩比的 ORC 等存储格式
Hive表 具有多种存储格式,这里先简单介绍两种存储格式:TextFile 和 ORC
TextFile
数据按行存储,默认无压缩,可选择数据压缩方式
TextFile格式的 Hive表,数据加载速度快。数仓的 ODS层 一般使用 TextFile 格式来加快数据的加载速度
TextFile具有几个明显的缺点:
- 数据未压缩时,存储空间消耗大
- 数据压缩后无法进行分割和合并
- 数据按行存储
- 一行数据类型难以保持一致,压缩比低
- 查询只涉及某几个列时,它也会把整行数据都读取出来,不能跳过不必要的列读取
ORC
是RCFile格式的优化版,即 Optimized RCFile
数据按列存储,对于一行记录,只会读取查询需要的列数据,可以加快查询速度
由于列数据格式一致,通常具有较高的压缩比,可以有效的减少存储空间
存储大小比较
笔者对一组TextFile格式的Hive表进行了压缩测试,可以发现:ORC格式的存储大小通常只有TextFile格式的一半,甚至更少
对于一些int类型列比较多的表,ORC的存储大小甚至只是TextFile格式的1.88%,压缩比高达50多倍!
压缩前的思考
先不考虑如何将TextFile格式转化成ORC应该怎么做,先来思考一下存储格式的变化会对原有生产任务带来哪些影响
存储格式的变化
Hive Meta中有一张表SDS,其中记录了Hive表的输入输出格式类:INPUT_FORMAT、OUTPUT_FORMAT
不同的存储格式,会使用不同的输入输出格式类