1、Hadoop源码编译支持Snappy压缩
Snappy这东西hadoop原生不支持,但比较流行。因此需要编译一个支持snappy的hadoop。不过这里不详细展开,自己了解即可。
PS. 编译时间较长,估计要几个小时,这里不展开了。
1. 资源准备
1).CentOS联网
配置CentOS能连接外网。Linux虚拟机ping www.baidu.com 是畅通的
注意:采用root角色编译,减少文件夹权限出现问题
2).jar包准备(hadoop源码、JDK8 、maven、protobuf)
(1)hadoop-3.1.2-src.tar.gz
(2)jdk-8u141-linux-x64.tar.gz
(3)snappy-1.1.3.tar.gz
(4)apache-maven-3.0.5-bin.tar.gz
(5)protobuf-2.5.0.tar.gz
2. jar包安装
注意:所有操作必须在root用户下完成
1.JDK解压、配置环境变量JAVA_HOME和PATH,验证java -version(如下都需要验证是否配置成功)
[root@hadoop101 softwares]# cd /export/softwares/ [root@hadoop101 softwares]# tar -zxvf jdk-8u141-linux-x64.tar.gz -C /export/servers/ [root@hadoop101 softwares]# vi /etc/profile #JAVA_HOME export JAVA_HOME=/export/servers/jdk1.8.0_141 export PATH=$PATH:$JAVA_HOME/bin [root@hadoop101 softwares]# source /etc/profile |
验证命令:javac -version & java -version
javac -version |
java -version |
2.Maven解压、配置 MAVEN_HOME和PATH
[root@hadoop101 softwares]# tar -zxvf apache-maven-3.0.5-bin.tar.gz -C /export/servers/ [root@hadoop101 apache-maven-3.0.5]# vi /etc/profile #MAVEN_HOME export MAVEN_HOME=/export/servers/apache-maven-3.0.5 export PATH=$PATH:$MAVEN_HOME/bin [root@hadoop101 softwares]#source /etc/profile |
验证命令:mvn -version
mvn -version |
3. 编译源码
1.准备编译环境
[root@hadoop101 softwares]# yum install svn [root@hadoop101 softwares]# yum install autoconf automake libtool cmake [root@hadoop101 softwares]# yum install ncurses-devel [root@hadoop101 softwares]# yum install openssl-devel [root@hadoop101 softwares]# yum install gcc* |
2.编译安装snappy
[root@hadoop101 softwares]# tar -zxvf snappy-1.1.3.tar.gz -C /export/servers/ [root@hadoop101 softwares]# cd /export/servers/snappy-1.1.3/ [root@hadoop101 snappy-1.1.3]# ./configure [root@hadoop101 snappy-1.1.3]# make [root@hadoop101 snappy-1.1.3]# make install # 查看snappy库文件 [root@hadoop101 snappy-1.1.3]# ls -lh /usr/local/lib | grep snappy |
3.编译安装protobuf
[root@hadoop101 softwares]# tar -zxvf protobuf-2.5.0.tar.gz -C /export/servers/ [root@hadoop101 softwares]# cd /export/servers/protobuf-2.5.0/ [root@hadoop101 protobuf-2.5.0]# ./configure [root@hadoop101 protobuf-2.5.0]# make [root@hadoop101 protobuf-2.5.0]# make install # 查看protobuf版本以测试是否安装成功 [root@hadoop101 protobuf-2.5.0]# protoc --version |
4.编译hadoop native
[root@hadoop101 softwares]# tar -zxvf hadoop-3.1.2-src.tar.gz [root@hadoop101 softwares]# cd hadoop-3.1.2-src/ |
(注意:带src的表示源码包)
[root@hadoop101 hadoop-3.1.2-src]# mvn clean package -DskipTests -Pdist,native -Dtar -Dsnappy.lib=/usr/local/lib -Dbundle.snappy |
注意:如果出现The goal you specified requires a project to execute but there is no POM in this directory的字样,需要执行mvn的目录下存在pom.xml文件。
(貌似有问题,跟felix有关,参考https://blog.csdn.net/leinchu/article/details/79708972)
执行成功后,/export/servers/hadoop-3.1.2-src/hadoop-dist/target/hadoop-3.1.2.tar.gz即为新生成的支持snappy压缩的二进制安装包。
另外,这里提供了一个支持snappy压缩的hadoop。可以拷贝到linux中进行解压。
[root@hadoop101 softwares]# tar -zxvf hadoop-2.7.2.tar.gz |
留意与之前hadoop的区别。查看lib/native目录下。
[root@hadoop101 softwares]# cd hadoop-2.7.2 [root@hadoop101 hadoop-2.7.2]# ls -l lib/native |
lib是本地库。比之前多了snappy相关的东西。可以把这些东西拷贝到之前安装的hadoop下。当然拷贝前先把dfs和yarn关闭。
[root@hadoop101 hadoop-2.7.2]# stop-yarn.sh [root@hadoop101 hadoop-2.7.2]# stop-dfs.sh [root@hadoop101 hadoop-2.7.2]# cp lib/native/libsnappy* /export/servers/hadoop-3.1.2/lib/native/ [root@hadoop101 hadoop-2.7.2]# cd /export/servers/hadoop-3.1.2/ |
查看资源的本地库,和真正存储的目录:
[root@hadoop101 hadoop-3.1.2]# hadoop checknative |
重新启动dfs和yarn。
[root@hadoop101 hadoop-3.1.2]# start-dfs.sh [root@hadoop101 hadoop-3.1.2]# start-yarn.sh |
此时,hadoop从不支持snappy变成支持snappy的了。
2、Hadoop压缩配置
1. MR支持的压缩编码
压缩格式 | 工具 | 算法 | 文件扩展名 | 是否可切分 |
DEFLATE | 无 | DEFLATE | .deflate | 否 |
Gzip | gzip | DEFLATE | .gz | 否 |
bzip2 | bzip2 | bzip2 | .bz2 | 是 |
LZO | lzop | LZO | .lzo | 是 |
Snappy | 无 | Snappy | .snappy | 否 |
为了支持多种压缩/解压缩算法,Hadoop引入了编码/解码器,如下表所示:
压缩格式 | 对应的编码/解码器 |
DEFLATE | org.apache.hadoop.io.compress.DefaultCodec |
gzip | org.apache.hadoop.io.compress.GzipCodec |
bzip2 | org.apache.hadoop.io.compress.BZip2Codec |
LZO | com.hadoop.compression.lzo.LzopCodec |
Snappy | org.apache.hadoop.io.compress.SnappyCodec |
目前主流用的就是snappy。
压缩性能的比较:
压缩算法 | 原始文件大小 | 压缩文件大小 | 压缩速度 | 解压速度 |
gzip | 8.3GB | 1.8GB | 17.5MB/s | 58MB/s |
bzip2 | 8.3GB | 1.1GB | 2.4MB/s | 9.5MB/s |
LZO | 8.3GB | 2.9GB | 49.3MB/s | 74.6MB/s |
http://google.github.io/snappy/
On a single core of a Core i7 processor in 64-bit mode, Snappy compresses at about 250 MB/sec or more and decompresses at about 500 MB/sec or more.
2. 压缩参数配置
要在Hadoop中启用压缩,可以配置如下参数(mapred-site.xml文件中):
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.compress | false | mapper输出 | 这个参数设为true启用压缩 |
mapreduce.map.output.compress.codec | org.apache.hadoop.io.compress.DefaultCodec | mapper输出 | 使用LZO、LZ4或snappy编解码器在此阶段压缩数据 |
mapreduce.output.fileoutputformat.compress | false | reducer输出 | 这个参数设为true启用压缩 |
mapreduce.output.fileoutputformat.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和bzip2 |
mapreduce.output.fileoutputformat.compress.type | RECORD | reducer输出 | SequenceFile输出使用的压缩类型:NONE和BLOCK |
3、开启Map输出阶段压缩
开启map输出阶段压缩可以减少job中map和Reduce task间数据传输量。具体配置如下:
案例实操:
1.开启hive中间传输数据压缩功能
hive (default)>set hive.exec.compress.intermediate=true; |
2.开启mapreduce中map输出压缩功能
hive (default)>set mapreduce.map.output.compress=true; |
3.设置mapreduce中map输出数据的压缩方式
hive (default)>set mapreduce.map.output.compress.codec= org.apache.hadoop.io.compress.SnappyCodec; |
4.执行查询语句
hive (default)> select count(ename) name from emp; |
(待运行)留意运行时间变慢了。
注意:设置成SnappyCodec需要确保支持Snappy压缩,否则执行select语句就会出现如下错误:
4、开启Reduce输出节点压缩
当Hive将输出写入到表中时,输出内容同样可以进行压缩。属性hive.exec.compress.output控制着这个功能。用户可能需要保持默认设置文件中的默认值false,这样默认的输出就是非压缩的纯文本文件了。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。
案例实操:
1.开启hive最终输出数据压缩功能
hive (default)>set hive.exec.compress.output=true; |
2.开启mapreduce最终输出数据压缩
hive (default)>set mapreduce.output.fileoutputformat.compress=true; |
3.设置mapreduce最终数据输出压缩方式
hive (default)> set mapreduce.output.fileoutputformat.compress.codec = org.apache.hadoop.io.compress.SnappyCodec; |
4.设置mapreduce最终数据输出压缩为块压缩
hive (default)> set mapreduce.output.fileoutputformat.compress.type=BLOCK; |
5.测试一下输出结果是否是压缩文件(看情况决定是否调整reduces数量)
hive (default)> set mapreduce.job.reduces=3; hive (default)> insert overwrite local directory '/export/servers/datas/distribute-result' select * from emp distribute by deptno sort by empno desc; |
把查询的结果导出到本地文件中。留意输出的是压缩的格式(看不懂得乱码)
4、文件存储格式
除了压缩以外,Hive支持的存储数据的格式主要有:TEXTFILE 、SEQUENCEFILE、ORC、PARQUET。
1. 列式存储和行式存储
存储一张表有两种形式。一般是一行一行存的。一个文件在内存中没有换行的概念,是一直存储下去的,只不过通过\n来分割所谓的每一行。这个是普通的行式存储法。TEXTFILE 文件就是行式存储。比如拿到一张5行*3列的表,行式存储则是先存储完第一行再存储第二行,如此下去。
当然也可以使用列式存储方法。
如图所示左边为逻辑表,右边第一个为行式存储,第二个为列式存储。
1).行存储的特点
查询满足条件的一整行数据的时候,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一个值,其余的值都在相邻地方,所以此时行存储查询的速度更快。
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的设计更好的设计压缩算法。
假设执行 select name from student; 这里的name就是一列的数据(字段),假设上面的a列就是name。要查询a,则需要通过a1、a2、a3方向进行查询。显然表格使用列式存储比较合适。所以不论是spark还是hive都推荐使用列式存储。
TEXTFILE和SEQUENCEFILE的存储格式都是基于行存储的;
ORC和PARQUET是基于列式存储的。
注意:
Mapreduce中间结果就是SEQUENCEFILE。Hadoop中的SEQUENCEFILE是MapReduce中SEQUENCEFILE的子类。这个是二进制文件来的。
ORC是Hive推的。PARQUET是Spark推的。最近PARQUET比较流行,因为Spark比较流行。不过PARQUET不如ORC优秀。
2. 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。
3. Orc格式
以下内容仅需了解即可。
Orc (Optimized Row Columnar)是Hive 0.11版里引入的新的存储格式。
如图6-11所示可以看到每个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里有三部分组成,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行做一个索引。这里做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:存的是各个Stream的类型,长度等信息。
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。
假设数据有10000行,前500行存为一个Stripe。首先查找Stripe Footer,有了Footer就可以找到Index Data。因为500行中有很多列,第1列在Row Data中从哪到哪,第2列在Row Data中从哪到哪……,这样一查Index就指定找哪一列了。
4. Parquet格式
以下内容仅需了解即可。
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。
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一个Block,这样可以把每一个行组由一个Mapper任务处理,增大任务执行并行度。Parquet文件的格式如图所示。
上图展示了一个Parquet文件的内容,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,目前Parquet中还不支持索引页。
Parquet跟Orc形式非常像,不过是称为Row Group。多少行切成一块称为一个Row Group。一个Row group中Column a是第1列,Column b是第2列。其实只需要了解行组(Row Group)和列块(Column Chunk)就行了。
以后我们只需要了解用什么格式就可以了。一般情况下是不会使用行式存储的。至于列式存储用哪个,主要看将来引擎是用什么。假如是MapReduce引擎,就应该用OCR;Spark引擎就应该用Parquet。
5. 主流文件存储格式对比实验
从存储文件的压缩比和查询速度两个角度对比。
存储文件的压缩比测试:
1).测试数据
2).TextFile
(1)创建表,存储数据格式为TEXTFILE
hive (default)> create table log_text ( track_time string, url string, session_id string, referer string, ip string, end_user_id string, city_id string ) row format delimited fields terminated by '\t' stored as textfile; |
(2)向表中加载数据
hive (default)> load data local inpath '/export/servers/datas/log.data' into table log_text; |
查看数据,随便看几个就好了。
hive (default)> select * from log_text limit 5; |
(3)查看表中数据大小
hive (default)> dfs -du -h /user/hive/warehouse/db_hive.db/log_text; |
文件大小大概18M左右。
3)
(1)创建表,存储数据格式为ORC
hive (default)> create table log_orc( track_time string, url string, session_id string, referer string, ip string, end_user_id string, city_id string ) row format delimited fields terminated by '\t' stored as orc; |
注意与上面唯一的区别就是stored as orc。
(2)向表中加载数据(直接从log_text把数据导过去)
hive (default)> insert into table log_orc select * from log_text; |
(3)查看表中数据大小
hive (default)> dfs -du -h /user/hive/warehouse/db_hive.db/log_orc; |
文件大小大概2.8M左右。这个是压缩过的。
4.Parquet
(1)创建表,存储数据格式为parquet
hive (default)> create table log_parquet( track_time string, url string, session_id string, referer string, ip string, end_user_id string, city_id string ) row format delimited fields terminated by '\t' stored as parquet; |
注意与上面唯一的区别就是stored as parquet。
(2)向表中加载数据
hive (default)> insert into table log_parquet select * from log_text; |
(3)查看表中数据大小
hive (default)> dfs -du -h /user/hive/warehouse/db_hive.db/log_parquet/; |
文件大小大概13M左右。显示压缩的不够ORC多。
存储文件的压缩比总结:
ORC > Parquet > textFile
存储文件的查询速度测试:(注意需要触发mapreduce,比如使用count)
1.TextFile
hive (default)> select count(*) from log_text; _c0 100000 Time taken: 21.54 seconds, Fetched: 1 row(s) Time taken: 21.08 seconds, Fetched: 1 row(s) Time taken: 19.298 seconds, Fetched: 1 row(s) |
2.ORC
hive (default)> select count(*) from log_orc; _c0 100000 Time taken: 20.867 seconds, Fetched: 1 row(s) Time taken: 22.667 seconds, Fetched: 1 row(s) Time taken: 18.36 seconds, Fetched: 1 row(s) |
3.Parquet
hive (default)> select count(*) from log_parquet; _c0 100000 Time taken: 22.922 seconds, Fetched: 1 row(s) Time taken: 21.074 seconds, Fetched: 1 row(s) Time taken: 18.384 seconds, Fetched: 1 row(s) |
三种格式的查询时间都是10来20秒左右,时间不会差太多。
存储文件的查询速度总结:查询速度相近。
5、存储和压缩结合
使用列式存储,并进行压缩。
1. 修改Hadoop集群具有Snappy压缩方式
1).查看hadoop checknative命令使用
[root@hadoop103 hadoop-3.1.2]# hadoop checknative [-a|-h] check native hadoop and compression libraries availability |
2).查看hadoop支持的压缩方式
[root@hadoop103 hadoop-3.1.2]# hadoop checknative 17/12/24 20:32:52 WARN bzip2.Bzip2Factory: Failed to load/initialize native-bzip2 library system-native, will use pure-Java version 17/12/24 20:32:52 INFO zlib.ZlibFactory: Successfully loaded & initialized native-zlib library Native library checking: hadoop: true /export/servers/hadoop-3.1.2/lib/native/libhadoop.so zlib: true /lib64/libz.so.1 snappy: false lz4: true revision:99 bzip2: false |
3).将编译好的支持Snappy压缩的hadoop-3.1.2.tar.gz包导入到hadoop101的/export/softwares中
4).解压hadoop-3.1.2.tar.gz到当前路径
[root@hadoop101 softwares]# tar -zxvf hadoop-3.1.2.tar.gz |
5).进入到/export/servers/hadoop-3.1.2/lib/native路径可以看到支持Snappy压缩的动态链接库
[root@hadoop101 native]# pwd /export/servers/hadoop-3.1.2/lib/native [root@hadoop101 native]# ll -rw-r--r--. 1 root root 472950 9月 1 10:19 libsnappy.a -rwxr-xr-x. 1 root root 955 9月 1 10:19 libsnappy.la lrwxrwxrwx. 1 root root 18 12月 24 20:39 libsnappy.so -> libsnappy.so.1.3.0 lrwxrwxrwx. 1 root root 18 12月 24 20:39 libsnappy.so.1 -> libsnappy.so.1.3.0 -rwxr-xr-x. 1 root root 228177 9月 1 10:19 libsnappy.so.1.3.0 |
6).拷贝/export/servers/hadoop-3.1.2/lib/native里面的所有内容到开发集群的/export/servers/hadoop-3.1.2/lib/native路径上
[root@hadoop101 native]# cp ../native/* /export/servers/hadoop-3.1.2/lib/native/ |
7).分发集群
[root@hadoop101 lib]# xsync native/ |
8).再次查看hadoop支持的压缩类型
[root@hadoop101 hadoop-3.1.2]# hadoop checknative 17/12/24 20:45:02 WARN bzip2.Bzip2Factory: Failed to load/initialize native-bzip2 library system-native, will use pure-Java version 17/12/24 20:45:02 INFO zlib.ZlibFactory: Successfully loaded & initialized native-zlib library Native library checking: hadoop: true /export/servers/hadoop-3.1.2/lib/native/libhadoop.so zlib: true /lib64/libz.so.1 snappy: true /export/servers/hadoop-3.1.2/lib/native/libsnappy.so.1 lz4: true revision:99 bzip2: false |
9).重新启动hadoop集群和hive
2. 测试存储和压缩
官网:https://cwiki.apache.org/confluence/display/Hive/LanguageManual+ORC
ORC存储方式的压缩
Key | Default | Notes |
orc.compress | ZLIB | high level compression (one of NONE, ZLIB, SNAPPY) |
orc.compress.size | 262,144 | number of bytes in each compression chunk |
orc.stripe.size | 268,435,456 | number of bytes in each stripe |
orc.row.index.stride | 10,000 | number of rows between index entries (must be >= 1000) |
orc.create.index | true | whether to create row indexes |
orc.bloom.filter.columns | "" | comma separated list of column names for which bloom filter should be created |
orc.bloom.filter.fpp | 0.05 | false positive probability for bloom filter (must >0.0 and <1.0) |
留意ORC默认使用的是zlib压缩。刚才看到的为什么ORC文件那么小,那是因为这个文件本来就是压缩过的。使用ORC的时候会使用zlib算法进行压缩。
注意:所有关于ORCFile的参数都是在HQL语句的TBLPROPERTIES字段里面出现
1).创建一个非压缩的的ORC存储方式
(1)建表语句
create table log_orc_none( track_time string, url string, session_id string, referer string, ip string, end_user_id string, city_id string ) row format delimited fields terminated by '\t' stored as orc tblproperties("orc.compress"="NONE"); |
(2)插入数据
hive (default)> insert into table log_orc_none select * from log_text; |
(3)查看插入后数据
hive (default)> dfs -du -h /user/hive/warehouse/log_orc_none/ ; |
7.7 M /user/hive/warehouse/log_orc_none/000000_0
前面压缩过的ORC file大概2.8M,这里非压缩的ORC file也不大。
2).创建一个SNAPPY压缩的ORC存储方式
(1)建表语句
create table log_orc_snappy( track_time string, url string, session_id string, referer string, ip string, end_user_id string, city_id string ) row format delimited fields terminated by '\t' stored as orc tblproperties("orc.compress"="SNAPPY"); |
(2)插入数据
hive (default)> insert into table log_orc_snappy select * from log_text; |
(3)查看插入后数据
hive (default)> dfs -du -h /user/hive/warehouse/log_orc_snappy/; |
3.8 M /user/hive/warehouse/log_orc_snappy/000000_0
前面压缩过的ORC file大概2.8M,所以snappy压缩的稍微大一点。但是snappy性能高。
3).上一节中默认创建的ORC存储方式,导入数据后的大小为
比Snappy压缩的还小。原因是orc存储文件默认采用ZLIB压缩,ZLIB采用的是deflate压缩算法。比snappy压缩的小。
PS. 另外查询时间也是差不多,20秒左右。
4).存储方式和压缩总结
在实际的项目开发当中,hive表的数据存储格式一般选择:orc或parquet。压缩方式一般选择snappy,lzo。
实际应用中一般都使用snappy压缩。