Hadoop中的文件格式

Hadoop中hdfs文件存储可以使用textfile（文本格式），也可以使用压缩格式，压缩格式的文件有 zip, gzip,lzo,snappy,bzip2。

一般文件存储都会选择压缩文件，因为可以节省空间，选择压缩文件格式又要考虑三个方面，一是压缩比，压缩比越大，就越能节省空间，另一方面是压缩格式可以分割，可分割的目的是考虑mapreduce作业可以有效的利用map来读取数据，如果数据不可分割，map将无法从数据流的指定位置来读取文件，这样会导致mapreduce任务时间的延长。最后是要考虑解压的效率问题，解压效率高可以提高mapreduce作业的效率。lzo格式是目前来说最适合的压缩格式，支持分割，解压效率较高。

以下转自：https://blog.csdn.net/lifuxiangcaohui/article/details/52623660 

1 gzip压缩

优点：压缩率比较高，而且压缩/解压速度也比较快；hadoop本身支持，在应用中处理gzip格式的文件就和直接处理文本一样；有hadoop native库；大部分linux系统都自带gzip命令，使用方便。

缺点：不支持split。

应用场景：当每个文件压缩之后在130M以内的（1个块大小内），都可以考虑用gzip压缩格式。譬如说一天或者一个小时的日志压缩成一个gzip 文件，运行mapreduce程序的时候通过多个gzip文件达到并发。hive程序，streaming程序，和java写的mapreduce程序完 全和文本处理一样，压缩之后原来的程序不需要做任何修改。

2 lzo压缩

优点：压缩/解压速度也比较快，合理的压缩率；支持split，是hadoop中最流行的压缩格式；支持hadoop native库；可以在linux系统下安装lzop命令，使用方便。

缺点：压缩率比gzip要低一些；hadoop本身不支持，需要安装；在应用中对lzo格式的文件需要做一些特殊处理（为了支持split需要建索引，还需要指定inputformat为lzo格式）。

应用场景：一个很大的文本文件，压缩之后还大于200M以上的可以考虑，而且单个文件越大，lzo优点越越明显。

3 snappy压缩

优点：高速压缩速度和合理的压缩率；支持hadoop native库。

缺点：不支持split；压缩率比gzip要低；hadoop本身不支持，需要安装；linux系统下没有对应的命令。

应用场景：当mapreduce作业的map输出的数据比较大的时候，作为map到reduce的中间数据的压缩格式；或者作为一个mapreduce作业的输出和另外一个mapreduce作业的输入。

4 bzip2压缩

优点：支持split；具有很高的压缩率，比gzip压缩率都高；hadoop本身支持，但不支持native；在linux系统下自带bzip2命令，使用方便。

缺点：压缩/解压速度慢；不支持native。

应用场景：适合对速度要求不高，但需要较高的压缩率的时候，可以作为mapreduce作业的输出格式；或者输出之后的数据比较大，处理之后的数据 需要压缩存档减少磁盘空间并且以后数据用得比较少的情况；或者对单个很大的文本文件想压缩减少存储空间，同时又需要支持split，而且兼容之前的应用程 序（即应用程序不需要修改）的情况。

最后用一个表格比较上述4种压缩格式的特征（优缺点）：

4种压缩格式的特征的比较

 压缩比: bzip2>gzip>lzo

 解压速度: lzo>gzip>bzip2

以下转自：https://blog.csdn.net/weixin_36714575/article/details/80091578
hive中的文件格式大致有一下几种：

　　TEXTFILE　　　 默认格式

    SEQUENCEFILE   通常用来将大量小文件合并，有压缩类型

    MAPFILE        经过排序的SequenceFile

　　RCFILE　　　　　hive 0.6.0 和以后的版本

　　ORC　　　　　　 hive 0.11.0 和以后的版本

　　PARQUET　　　　 hive 0.13.0 和以后的版本,该数据格式企业中最常用

　　AVRO　　　　　　hive 0.14.0 和以后的版本       

结论
1.在压缩存储时间上，除Sequencefile外基本都相差无几。

2.数据压缩比例上ORC最优，相比textfile节省了50倍磁盘空间，parquet压缩性能也较好。

3.SQL查询速度而言，ORC与parquet性能较好，远超其余存储格式。

综合上述各种性能指标，建议工作中原始日志写入hive的存储格式都采用ORC或者parquet格式，这和目前主流的做法一致。