大数据之hive实践三（压缩与存储）

最新推荐文章于 2023-06-03 11:16:49 发布

飞锡2024

最新推荐文章于 2023-06-03 11:16:49 发布

阅读量113

点赞数

分类专栏：大数据

本文链接：https://blog.csdn.net/weixin_38235865/article/details/109277376

版权

大数据专栏收录该内容

30 篇文章 0 订阅

订阅专栏

参考尚硅谷教程

8.压缩和存储

8.1Hadoop 源码编译支持 Snappy 压缩

8.2 Hadoop 压缩配置

8.2.1 MR 支持的压缩编码

在这里插入图片描述

8.2.2压缩参数配置

8.3 开启 Map 输出阶段压缩

8.4 开启 Reduce 输出阶段压缩

8.5文件存储格式

8.5.1列式存储和行式存储

1．行存储的特点
查询满足条件的一整行数据的时候，列存储则需要去每个聚集的字段找到对应的每个列
的值，行存储只需要找到其中一个值，其余的值都在相邻地方，所以此时行存储查询的速度
更快。
2．列存储的特点
因为每个字段的数据聚集存储，在查询只需要少数几个字段的时候，能大大减少读取的
数据量；每个字段的数据类型一定是相同的，列式存储可以针对性的设计更好的设计压缩算
法。
TEXTFILE 和 SEQUENCEFILE 的存储格式都是基于行存储的；
ORC 和 PARQUET 是基于列式存储（行列结合）的。

8.5.2TextFile 格式

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，
但使用 Gzip 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

8.5.3Orc 格式

Orc (Optimized Row Columnar)是 Hive 0.11 版里引入的新的存储格式。
每个 Orc 文件由 1 个或多个 stripe 组成，每个 stripe250MB 大小，
这个 Stripe 实际相当于 RowGroup 概念，不过大小由 4MB->250MB，这样能提升顺序
读的吞吐率。每个 Stripe 里有三部分组成，分别是 Index Data， Row Data， Stripe Footer：

在这里插入图片描述
1） Index Data：一个轻量级的 index，默认是每隔 1W 行做一个索引。这里做的索引应
该只是记录某行的各字段在 Row Data 中的 offset。
2） Row Data：存的是具体的数据，先取部分行，然后对这些行按列进行存储。对每个
列进行了编码，分成多个 Stream 来存储。
3） Stripe Footer：存的是各个 Stream 的类型，长度等信息。每个文件有一个 File Footer，这里面存的是每个 Stripe 的行数，每个 Column 的数据类型
信息等；每个文件的尾部是一个PostScript，这里面记录了整个文件的压缩类型以及FileFooter
的长度信息等。在读取文件时，会 seek 到文件尾部读 PostScript，从里面解析到 File Footer长度，再读 FileFooter，从里面解析到各个 Stripe 信息，再读各个 Stripe，即从后往前读。

8.5.4Parquet 格式

Parquet 是面向分析型业务的列式存储格式，由 Twitter 和 Cloudera 合作开发， 2015 年 5
月从 Apache 的孵化器里毕业成为 Apache 顶级项目。
Parquet 文件是以二进制方式存储的，所以是不可以直接读取的，文件中包括该文件的数
据和元数据，因此 Parquet 格式文件是自解析的。
通常情况下，在存储 Parquet 数据的时候会按照 Block 大小设置行组的大小，由于一般
情况下每一个 Mapper 任务处理数据的最小单位是一个 Block，这样可以把每一个行组由一
个 Mapper 任务处理，增大任务执行并行度。 Parquet 文件的格式如图所示。
在这里插入图片描述
一个文件中可以存储多个行组，文件的首位都是该文件的 Magic Code，用于校验它是否是一个 Parquet 文件， Footer length 记录了文件元数据的大小，通过该值和文件长度可以计算出元数据的偏移量，文件的元数据中包括每一个行组的元数据信息和该文件存储数据的 Schema 信息。除了文件中每一个行组的元数据，每一
页的开始都会存储该页的元数据，在 Parquet 中，有三种类型的页：数据页、字典页和索引
页。数据页用于存储当前行组中该列的值，字典页存储该列值的编码字典，每一个列块中最
多包含一个字典页，索引页用来存储当前行组下该列的索引，目前 Parquet 中还不支持索引
页。

8.5.5 主流文件存储格式对比

存储文件的压缩比总结：
ORC > Parquet > textFile

查询速度相近。

8.6 存储和压缩结合

8.6.1 修改 Hadoop 集群具有 Snappy 压缩方式

1．查看 hadoop checknative 命令使用

hadoop checknative [-a|-h] check native hadoop and compression libraries
availability

2．查看 hadoop 支持的压缩方式

hadoop checknative

8.6.2 测试存储和压缩

1.创建一个非压缩的的 ORC 存储方式
建表语句

create table log_orc_none(
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
) row format delimited fields terminated by '\t'
stored as orc tblproperties ("orc.compress"="NONE")

2）插入数据

insert into table log_orc_none select * from log_text ;

（ 3）查看插入后数据

dfs -du -h /user/hive/warehouse/log_orc_none/ ;

2.创建一个 SNAPPY 压缩的 ORC 存储方式
（ 1）建表语句

create table log_orc_snappy(
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
) row format delimited fields terminated by '\t'stored as orc tblproperties ("orc.compress"="SNAPPY");

（ 2）插入数据

insert into table log_orc_snappy select * from log_text ;