textfile
sequencefile
rcfile
avro
自定义
TEXTFIEL
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(系统自动检查,执行查询时自动解压),但使用这种方式,hive不会对数据进行切分,从而无法对数据进行并行操作。
- > create table test1(str STRING)
- > STORED AS TEXTFILE;
- OK
- Time taken: 0.786 seconds
- #写脚本生成一个随机字符串文件,导入文件:
- > LOAD DATA LOCAL INPATH ’/home/work/data/test.txt’ INTO TABLE test1;
- Copying data from file:/home/work/data/test.txt
- Copying file: file:/home/work/data/test.txt
- Loading data to table default.test1
- OK
- Time taken: 0.243 seconds
SEQUENCEFILE:
SequenceFile是Hadoop API提供的一种二进制文件支持,其具有使用方便、可分割、可压缩的特点。
SequenceFile支持三种压缩选择:NONE, RECORD, BLOCK。 Record压缩率低,一般建议使用BLOCK压缩。
SequenceFile是Hadoop API提供的一种二进制文件支持,其具有使用方便、可分割、可压缩的特点。
SequenceFile支持三种压缩选择:NONE, RECORD, BLOCK。 Record压缩率低,一般建议使用BLOCK压缩。
- > create table test2(str STRING)
- > STORED AS SEQUENCEFILE;
- OK
- Time taken: 5.526 seconds
- hive> SET hive.exec.compress.output=true;
- hive> SET io.seqfile.compression.type=BLOCK;
- hive> INSERT OVERWRITE TABLE test2 SELECT * FROM test1;
RCFILE
RCFILE是一种行列存储相结合的存储方式。首先,其将数据按行分块,保证同一个record在一个块上,避免读一个记录需要读取多个block。其次,块数据列式存储,有利于数据压缩和快速的列存取。RCFILE文件示例:
RCFILE是一种行列存储相结合的存储方式。首先,其将数据按行分块,保证同一个record在一个块上,避免读一个记录需要读取多个block。其次,块数据列式存储,有利于数据压缩和快速的列存取。RCFILE文件示例:
- > create table test3(str STRING)
- > STORED AS RCFILE;
- OK
- Time taken: 0.184 seconds
- > INSERT OVERWRITE TABLE test3 SELECT * FROM test1;
自定义格式
当用户的数据文件格式不能被当前 Hive 所识别的时候,可以自定义文件格式。
用户可以通过实现inputformat和outputformat来自定义输入输出格式,参考代码:
.\hive-0.8.1\src\contrib\src\java\org\apache\hadoop\hive\contrib\fileformat\base64
实例:
建表
当用户的数据文件格式不能被当前 Hive 所识别的时候,可以自定义文件格式。
用户可以通过实现inputformat和outputformat来自定义输入输出格式,参考代码:
.\hive-0.8.1\src\contrib\src\java\org\apache\hadoop\hive\contrib\fileformat\base64
实例:
建表
- > create table test4(str STRING)
- > stored as
- > inputformat ’org.apache.hadoop.hive.contrib.fileformat.base64.Base64TextInputFormat’
- > outputformat ’org.apache.hadoop.hive.contrib.fileformat.base64.Base64TextOutputFormat’;
$ cat test1.txt
aGVsbG8saGl2ZQ==
aGVsbG8sd29ybGQ=
aGVsbG8saGFkb29wtest1文件为base64编码后的内容,decode后数据为:
hello,hive
hello,world
hello,hadoop
load数据并查询:
- hive> LOAD DATA LOCAL INPATH ’/home/work/test1.txt’ INTO TABLE test4;
- Copying data from file:/home/work/test1.txt
- Copying file: file:/home/work/test1.txt
- Loading data to table default.test4
- OK
- Time taken: 4.742 seconds
- hive> select * from test4;
- OK
- hello,hive
- hello,world
- hello,hadoop
- Time taken: 1.953 seconds
AVRO
在https://issues.apache.org/jira/browse/HIVE-895 支持hive(0.10.0)
Avro是一种用于支持数据密集型的二进制文件格式。它的文件格式更为紧凑,若要读取大量数据时,Avro能够提供更好的序列化和反序列化性能。并且Avro数据文件天生是带Schema定义的,所以它不需要开发者在API 级别实现自己的Writable对象。最近多个Hadoop 子项目都支持Avro 数据格式,如Pig 、Hive、Flume、Sqoop和Hcatalog。
图3:Avro MR 文件格式
总结:
相比TEXTFILE和SEQUENCEFILE,RCFILE由于列式存储方式,数据加载时性能消耗较大,但是具有较好的压缩比和查询响应。数据仓库的特点是一次写入、多次读取,因此,整体来看,RCFILE相比其余两种格式具有较明显的优势。
文件存储大小比较与分析
我们选取一个TPC-H标准测试来说明不同的文件格式在存储上的开销。因为此数据是公开的,所以读者如果对此结果感兴趣,也可以对照后面的实验自行做一遍。Orders 表文本格式的原始大小为1.62G。 我们将其装载进Hadoop 并使用Hive 将其转化成以上几种格式,在同一种LZO 压缩模式下测试形成的文件的大小。
Orders_text1 | 1732690045 | 1.61G | 非压缩 | TextFile |
Orders_tex2 | 772681211 | 736M | LZO压缩 | TextFile |
Orders_seq1 | 1935513587 | 1.80G | 非压缩 | SequenceFile |
Orders_seq2 | 822048201 | 783M | LZO压缩 | SequenceFile |
Orders_rcfile1 | 1648746355 | 1.53G | 非压缩 | RCFile |
Orders_rcfile2 | 686927221 | 655M | LZO压缩 | RCFile |
Orders_avro_table1 | 1568359334 | 1.46G | 非压缩 | Avro |
Orders_avro_table2 | 652962989 | 622M | LZO压缩 | Avro |
其他资料: