Apache Hive File

Hive 文件存储格式主要包括以下几类：

1. TEXTFILE
2. SEQUENCEFILE
3. RCFILE
4. ORCFILE
   其中TEXTFILE为默认格式，建表时不指定默认为这个格式，导入数据时会直接把数据文件拷贝到hdfs上不进行处理；SEQUENCEFILE, RCFILE,ORCFILE格式得表不能直接从本地文件导入数据，数据要先导入到textfile格式得表中，然后再从表中用insert导入SequenceFile，RCFile，ORCFile表中

Hive环境

create table if not exists nsf_textfile
(
id string,chicun string,fbl string,qz string,hz string ,dc string,tag string ,phone string ,keywords string,xq string,type string, new_keyworlds string
) 
row format delimited fields terminated by '\t' stored as textfile;

load data local inpath '/home/cloudera/a2data/hive/file.txt' overwrite into table a2data.nsf_testfile;

**texffile：**默认格式，数据不做压缩，这样会导致磁盘空间占用大，数据解析资源大
可结合Gzip、Bzip2使用（系统自动检查，执行查询时自动解压）， 但是使用这种方法， hive不会对数据进行切分，从而无法对数据进行并行操作

hive> set hive.exec.compress.output=true;
hive> set mapred.output.compress=true;
hive> set mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec;
hive> set io.compression.codecs=org.apache.hadoop.io.compress.GzipCodec;
hive> inster overwrite table textfile_table select * from nsf_textfile;
~~

### SEQUENCEFILE
equenceFile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。
~~~sql
create table if not exists seqfile_table(
id string,chicun string,fbl string,qz string,hz string ,dc string,tag string ,phone string ,keywords string,xq string,type string, new_keyworlds string)
row format delimited
fields terminated by '\t'
stored as sequencefile;
# 插入数据操作
set hive.exec.compress.output=true;  
set mapred.output.compress=true;  
set mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec;  
set io.compression.codecs=org.apache.hadoop.io.compress.GzipCodec;  
SET mapred.output.compression.type=BLOCK;
insert overwrite table seqfile_table select * from textfile_table;  

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。

create table if not exists rcfile_table(
id string,chicun string,fbl string,qz string,hz string ,dc string,tag string ,phone string ,keywords string,xq string,type string, new_keyworlds string)row format delimited
fields terminated by '\t'
stored as rcfile;
# 插入数据
set hive.exec.compress.output=true;  
set mapred.output.compress=true;  
set mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec;  
set io.compression.codecs=org.apache.hadoop.io.compress.GzipCodec;  
insert overwrite table rcfile_table select * from textfile_table; 

ORCFILE

ORC File，它的全名是Optimized Row Columnar (ORC) file，其实就是对RCFile做了一些优化。这种文件格式可以提供一种高效的方法来存储Hive数据。它的设计目标是来克服Hive其他格式的缺陷。

运用ORC File可以提高Hive的读、写以及处理数据的性能。

和RCFile格式相比，ORC File格式有以下优点：

1. 每个task只输出单个文件，这样可以减少NameNode的负载；

2. 支持各种复杂的数据类型，比如： datetime, decimal, 以及一些复杂类型(struct, list, map, and union)；

3. 在文件中存储了一些轻量级的索引数据；

4. 基于数据类型的块模式压缩：a、integer类型的列用行程长度编码(run-length encoding);b、String类型的列用字典编码(dictionary encoding)；

5. 用多个互相独立的RecordReaders并行读相同的文件；

6. 无需扫描markers就可以分割文件；

7. 绑定读写所需要的内存；

8. metadata的存储是用 Protocol Buffers的，所以它支持添加和删除一些列。