因为生病,另外还在做牙齿的根管治疗,痛不欲生,短更一篇。
年前都在梳理《大数据成神之路》的目录还有内容,另外Flink的公开课程也在规划大纲和目录。不知道我在说什么,看一下这里《2020年要做的几件大事》。
昨天有个同学问了我一个问题。Hive中的文件存储格式该选什么?
然后在找到这个关于ORC的文章。如果你英文很好,参考这里:
https://cwiki.apache.org/confluence/display/Hive/LanguageManual+ORC
一、ORC文件格式
ORC的全称是(Optimized Record Columnar),使用ORC文件格式可以提高hive读、写和处理数据的能力。ORC在RCFile的基础上进行了一定的改进,所以与RCFile相比,具有以下一些优势: - 1、ORC中的特定的序列化与反序列化操作可以使ORC file writer根据数据类型进行写出。 - 2、提供了多种RCFile中没有的indexes,这些indexes可以使ORC的reader很快的读到需要的数据,并且跳过无用数据,这使得ORC文件中的数据可以很快的得到访问。 - 3、由于ORC file writer可以根据数据类型进行写出,所以ORC可以支持复杂的数据结构(比如Map等)。 - 4、除了上面三个理论上就具有的优势之外,ORC的具体实现上还有一些其他的优势,比如ORC的stripe默认大小更大,为ORC writer提供了一个memory manager来管理内存使用情况。
图1-ORC文件结构图
二、ORC数据存储方法
在ORC格式的hive表中,记录首先会被横向的切分为多个stripes,然后在每一个stripe内数据以列为单位进行存储,所有列的内容都保存在同一个文件中。每个stripe的默认大小为256MB,相对于RCFile每个4MB的stripe而言,更大的stripe使ORC的数据读取更加高效。
对于复杂数据类型,比如Map,ORC文件会将一个复杂数据类型字段解析成多个子字段。下表中列举了ORC文件中对于复杂数据类型的解析
Data type |
---|