【Hive笔记】8.2——文件存储格式

前言

在hive中支持的存储数数据格式主要有：TEXTFILE，SEQUENCEFILE，ORC，PARQUET。

列式存储和行式存储

在当今的数据处理大致可分为两大类，联机事务处理OLTP（on-line-transaction processing）和联机分析处理OLAP（on-line Analytical processing）

OLTP是传统关系型数据库的主要 应用，用来执行 一些基本的日常的事务处理，比如：数据库的增删改查等。而OLAP则是分布式数据库的主要应用它对实时性 要求不高，但是处理量 巨大。

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。

TEXTFILE和SEQUENCEFILE的存储格式都是基于行存储的；
OPC和PARQUET是基于列式存储的。

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这种方法，hive不会对数据进行切分，从而无法对数据进行并行操作。

Ocr格式

Ocr（Optimized Row columnar）是Hive0.11版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stripe250MB大小，这个Stripe实际相当于RowGroup概念，不过大小由4MB-》250MB，这样应该能提升顺序读的吞吐率。每个Stripe里有三部分组成，分别为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。这样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的长度，在读File Footer从里面解析到各个Strpe信息，在读各个Stripe，即从后往前读。

其实该方式是行列结合的方式。不是完全是行存储

Parquet格式

Parquet是面向分析型业务的列式存储格式，由Twitter和cloudera合作开发。

Parquet文件是以二进制方式进行存储的，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。

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文件的格式如下图所示：

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，每一个列快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。