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 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:
![](https://img-my.csdn.net/uploads/201207/27/1343361711_2853.jpg)
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。