spark ORC原理

orc历史

  ORC的全称是(Optimized Row Columnar)，ORC文件格式是一种Hadoop生态圈中的列式存储格式，它的产生早在2013年初，最初产生自Apache Hive，用于降低Hadoop数据存储空间和加速Hive查询速度。

orc结构–----hdfs上的物理视图

  

orc结构----逻辑视图

orc存储结构解析

    orc文件有如下结构快：block,stripe,row_group,stream,index data,Row data,fileFooter,postscript

    orc在hdfs上存储，为适应hdfs区块存储思想会将orc文件划分成block块，orc的block块大小一般和hdfs的block块大小一致通过配置（ hive.exec.orc.default.block.size 默认256M）指定。每个block块中包含多个stipe,stipe大小通过参数（ hive.exec.orc.default.stripe.size 默认64M）指定。应尽量避免strip跨hdfs：block存储，否则在解析stipe时会存在IO跨节点的数据请求，从而增加了系统资源开销。所以，一般orc：block块大小是orc:stripe大小的整数倍。但是，在有些情况下还是会出现block块不能够被整数个stipe完整填满，需要关闭跨hdfs:block的数据存储，需要指定（hive.exec.orc.default.block.padding=false)关闭块存储。另外需要指定最小磁盘利用空间（ hive.exec.orc.block.padding.tolerance 默认0.05，例如orc:block=256M，256*0.05=12.5M）,hdfs:block块剩余磁盘空间低于此值将放弃使用。

orc on spark

   1. 在spark上如何使用配置调优

        df.write.option(“”,””).orc(“path”)

        df.write.format(“”).option(“”,””).save(“path”)

        df.write.format(“”).option(“”,””).saveAsTable(“”)

       

       create table tablename(

           col1 STRING,

           col2 STRING

       )stored as orc tblproperties ("orc.compress"="NONE");

   2.在spark环境下可用的调优配置    

 

Orc配置	Hive别名	默认值	描述
orc.stripe.size	hive.exec.orc.default.stripe.size	64M	Stripe大小