- hive中的所有数据都存储在HDFS中,没有专门的数据存储格式(可支持Text、SequenceFile、ParquertFile、ORC格式)
- 只需要在创建表的时候告诉Hive数据中的列分隔符和行分隔符,Hive就可以解析数据
- Hive中包含一下数据模型:DB、Table、External Table、Partition、Bucket.
○ db:在hdfs中表现为hive.metastore.warehouse.dir目录下一个文件夹。
○ table:在hdfs中表现所属db目录下一个文件夹。
○ external table:与table类似,不过其数据存放位置可以在任意指定路径。
○ partition:在hdfs中表现为table目录下的子目录。
○ bucket:在hdfs中表现为同一个表目录下根据hash散列之后的多个文件。
TextFile
行存储文件(每一行就是一条记录),可以使用任意的分隔符进行分割,但无压缩,所以数据存储空间大。可以结合GZIP、SNAPPY等使用,但是hive并不会对数据进行切分,所以无法对数据进行并行处理。
ps:默认格式,数据不做压缩,磁盘开销大,数据解析开销大。
SequenceFile
行式存储,使用方便、可分割、可压缩。三种压缩可选:NONE,RECORD,BLOCK。Record压缩率低,一般建议使用BLOCK压缩。
ORC
以二进制方式存储,所以不可以直接读取,ORC文件也是自解析的,它包含许多元数据。ORC文件:保存在文件系统上的普通二进制文件,一个ORC文件可以包含多个stripe,每个stripe包含多条记录,这些记录按照列进行独立存储。
(1)ORC列式存储,有多种文件压缩方式,并且很高的压缩比
(2)文件可以切分
(3)提供多种索引,row group index、bloom filter index.
(4)ORC可以支持复杂的数据结构
Parquet
parquet文件以二进制方式存储,所以不可以直接读取,和ORC一样,文件的元数据和数据一起存储。所以Parquet格式文件是自解析的。(Hadoop生态系统中任何项目都可以使用研所,高效的列示数据表示形式)
(1)跨平台
(2)可被各种文件系统识别的格式
(3)按列存储数据
(4)存储元数据
ORC | Parquet | |
---|---|---|
嵌套结构 | 不可直接实现(map间接实现) | 支持嵌套结构 |
导入数据和数据查询速度 | 快 | 相比ORC慢 |
ACID | 支持 | 不支持 |
更新操作 | 支持 | 不支持 |
默认压缩 | Zlib | Uncompressed |
压缩格式 | Node、Zlib、Snappy | Uncompressed、Snappy、Gzip、Lzo |
数据压缩 | 最优(相比textFile50倍的磁盘空间) | Parquet使用gzip压缩率高,使用lzo、snappy效率高 |
SQL查询 | 较快 | 较快 |