hive笔记（九）：压缩和存储-Hadoop压缩配置/map、reduce输出阶段压缩/文件存储格式/textfile、parquet、orc

目录

压缩和存储

Hadoop压缩配置

MR支持的压缩编码

压缩参数配置

开启Map输出阶段压缩（MR引擎）

开启reduce输出阶段压缩

文件存储格式

列式存储和行式存储

TextFile

Parquet

Orc

存储和压缩结合

测试存储和压缩

---

压缩和存储

Hadoop压缩配置

MR支持的压缩编码

压缩格式	算法	文件扩展名	是否可切分
gzip	DEFLATE	.gz	否
snappy	snappy	.snappy	否
DEFLATE	DEFLATE	.deflate	否
bzip2	bzip2	.bz2	是
LZO	lzo	.lzo	是

Hadoop的编码/解码器

压缩格式	对应的编码/解码器
gzip	org.apache.hadoop.io.compress.GzipCodec
snappy	org.apache.hadoop.io.compress.SnappyCodec
DEFLATE	org.apache.hadoop.io.compress.DefaultCodec
bzip2	org.apache.hadoop.io.compress.Bzip2Codec
LZO	com.hadoop/compress.lzo.LzopCodec

压缩性能的比较

压缩算法	源文件大小	压缩文件大小	压缩速度	解压速度
gzip	8.3g	1.8g	17.5MB/s	58MB/s
bzip2	8.3g	1.1g	2.4MB/s	9.5MB/s
LZO	8.3g	2.9g	29.3MB/s	74.6MB/s

注：Snappy的压缩速度和解压速度都非常快。

压缩参数配置

在mapred-site.xml中配置压缩参数才可以在Hadoop中使用压缩。

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.com press	false	mapper 输出	设为 true 启用压缩
mapreduce.map.output.com press.codec	org.apache.hadoop.io.compress.DefaultCodec	mapper	使用 LZO 、 LZ4 或snappy编解码器在此 阶段压缩数据
mapreduce.output.fileoutput format.compress	false	reducer 输出	设为 true 启用压缩
mapreduce.output.fileoutput format.compress.codec	org.apache.hadoop.io.compress. DefaultCodec	reducer 输出	使用标准工具或者编解码器，如gzip
mapreduce.output.fileoutput format.compress.type	RECORD	reducer 输出	SequenceFile 输出使用的压缩类型：NONE和BLOCK

开启Map输出阶段压缩（MR引擎）

开启map输出阶段压缩可以减 job中map和Reduce task间数据传输量。

（1）开启hive中间传输数据压缩功能

set hive.exec.compress.intermediate=true;

（2）开启MapReduce中map输出压缩功能

>set mapreduce.map.output.compress=true;

（3）设置MapReduce中map输出数据的压缩方式

set mapreduce.map.output.compress.codec=com.hadoop/compress.lzo.LzopCodec；

（4）执行查询

 select count(name) name from emp;

开启reduce输出阶段压缩

当Hive将输出写入到表中时 ， 输出内容可以进行压缩，属性hive.exec.compress.output控制着这个功能。用户保持默认设置中的默认值false，输出的就是非压缩的纯文本文件。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。

（1）开启hive最终输出数据压缩功能

set hive.exec.compress.output=true;

（2）开启MapReduce最终输出数据压缩

>set mapreduce.output.fileoutputformat.compress=true;

（3）设置MapReduce最终输出数据压缩方式

 set mapreduce.output.fileoutputformat.compress.codec =
com.hadoop/compress.lzo.LzopCodec；

（4）设置MapReduce最终数据输出压缩为块压缩

 set mapreduce.output.fileoutputformat.compress.type=BLOCK;

（5）测试

insert overwrite local directory 'root/datas/distribute-result' 
select * from emp distribute by deptno sort by empno desc;

文件存储格式

Hive支持的存储数据的格式主要有：TEXTFILE 、SEQUENCEFILE、ORC、PARQUET。

列式存储和行式存储

上图展示出列式存储和行式存储的区别

（1）行存储的特点

查询满足条件的一整行数据时，列存储需要去每个聚集的字段找到对应的每个列的值，行存储只需找到其中一个值，其余的值都在相邻地方，此时行存储查询的速度更快。

（2）列存储的特点

查询只需要少数几个字段时，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压缩算法。

TEXTFILE、SEQUENCEFILE是基于行存储的；（textfile、sequencefile）

ORC、PARQUET是基于列式存储的；（orc、parquet）

TextFile

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、lzo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。

Parquet

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Block，这样可以由一个Mapper任务处理一个行组，增大任务执行并行度。

文件的格式

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；

Orc

Orc：Optimized Row Columnar

orc是Hive 0.11版里引入的新的存储格式；

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。每个Stripe里分别由Index Data，Row Data，Stripe Footer三部分组成。

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。

1）Index Data：一个轻量级的index，默认是每隔1W行做一个索引。这里做的索引只是记录某行的各字段在Row Data中的offset。

2）Row Data：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。

3）Stripe Footer：各个Stream的类型，长度等信息。

存储和压缩结合

在实际的项目开发当中，hive表的数据存储格式一般为：orc、parquet；

压缩方式一般为：snappy、lzo。

测试存储和压缩

（1）snappy压缩的orc格式

1)建表

create table orc_snappy(
......
)
row format delimited fields terminated by '\t'
stored as orc
tblproperties("orc.compress"="SNAPPY");

 2）插入数据

load data local inpath "/root/.../text.txt";

 3)查看数据

 dfs -du -h /user/hive/warehouse/.../;

（2）zlib压缩的orc格式

1）建表

create table orc_zlib(
......
)
row format delimited fields terminated by '\t'
stored as orc
tblproperties("orc.compress"="ZLIB");

 2）插入数据

load data local inpath "/root/.../text.txt";

 3)查看数据

 dfs -du -h /user/hive/warehouse/.../;

（3）snappy压缩的parquet格式

1）建表

create table parquet_snappy(
…………
)
row format delimited fields terminated by '\t'
stored as parquet
tblproperties("parquet.compression"="SNAPPY");

2）插入数据

load data local inpath "/root/.../text.txt";

3)查看数据

 dfs -du -h /user/hive/warehouse/.../;

本文为学习笔记！！！