Hive压缩和存储

最新推荐文章于 2022-11-01 18:17:02 发布

Distantfbc

最新推荐文章于 2022-11-01 18:17:02 发布

阅读量555

点赞数

分类专栏：大数据文章标签： hadoop hdfs big data

本文链接：https://blog.csdn.net/qq_61645895/article/details/122707101

版权

大数据专栏收录该内容

18 篇文章 0 订阅

订阅专栏

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)