HIVE的数据储格之文本文件格式

　　Hive的存储是建立在Hadoop文件系统之上的，Hive没有专门的数据存储格式，也不能为数据建立索引，用户可以自由的组织Hive中的表，所以用户可以选择将数据存储为纯文本文件。在hive建表的过程中，可以在CREATE TABLE 后用 STORED AS <FILE_FORMAT> 来指定将要存储的文件格式，其中FILE_FORMAT可选项包含TEXTFILE , SEQUENCEFILE , RCFILE 和自定义格式。

1. 1 CREATE EXTERNAL TABLE MYTEST(num INT, name STRING)  
   2 ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'  
   3 STORED AS TEXTFILE  
   4 LOCATION '/data/test';

     

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。

 

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。

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：

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，可以参考hive中的代码：
.\hive\src\contrib\src\java\org\apache\hadoop\hive\contrib\fileformat\base64

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。

转载于:https://www.cnblogs.com/ancientmoon/archive/2012/09/12/2682446.html