hive的压缩和文件存储

压缩

压缩方式有：Gzip、BZip2、LZO、Snappy

1、BZip2有最高的压缩比但也会带来更高的CPU开销，Gzip较BZip2次之。如果基于磁盘利用率和I/O考虑，这两个压缩算法都是比较有吸引力的算法。

2、LZO和Snappy算法有更快的解压缩速度，如果更关注压缩、解压速度，它们都是不错的选择。 LZO和Snappy在压缩数据上的速度大致相当，但Snappy算法在解压速度上要较LZO更快。

3、Hadoop的会将大文件分割成HDFS block(默认64MB)大小的splits分片，每个分片对应一个Mapper程序。在这几个压缩算法中 BZip2、LZO、Snappy压缩是可分割的，Gzip则不支持分割
4、以下是在集群文件中配置压缩方式：

如下几个配置：
org.apache.hadoop.io.compress.DefaultCodec,
org.apache.hadoop.io.compress.GzipCodec,
org.apache.hadoop.io.compress.BZip2Codec,
org.apache.hadoop.io.compress.Lz4Codec

5、也可以在集群开启的时候配置压缩方式，临时性的
开启 Map 输出阶段压缩
开启 map 输出阶段压缩可以减少 job 中 map 和 Reduce task 间数据传输量。具体配置如下：
1．开启 hive 中间传输数据压缩功能
hive (default)>set hive.exec.compress.intermediate=true;
2．开启 mapreduce 中 map 输出压缩功能
hive (default)>set mapreduce.map.output.compress=true;
3．设置 mapreduce 中 map 输出数据的压缩方式
hive (default)>set mapreduce.map.output.compress.codec=
org.apache.hadoop.io.compress.SnappyCodec;
4．执行查询语句
hive (default)> select count(ename) name from emp;
开启 Reduce 输出阶段压缩
当 Hive 将 输 出 写 入 到 表 中 时 ， 输 出 内 容 同 样 可 以 进 行 压 缩 。 属 性hive.exec.compress.output 控制着这个功能。用户可能需要保持默认设置文件中的默认值
false，这样默认的输出就是非压缩的纯文本文件了。用户可以通过在查询语句或执行脚本中设置这个值为 true，来开启输出结果压缩功能。
案例实操：
1．开启 hive 最终输出数据压缩功能
hive (default)>set hive.exec.compress.output=true;
2．开启 mapreduce 最终输出数据压缩
hive (default)>set
mapreduce.output.fileoutputformat.compress=true;
3．设置 mapreduce 最终数据输出压缩方式
hive (default)> set
mapreduce.output.fileoutputformat.compress.codec =
org.apache.hadoop.io.compress.SnappyCodec;
4．设置 mapreduce 最终数据输出压缩为块压缩
hive (default)> set
mapreduce.output.fileoutputformat.compress.type=BLOCK;
5．测试一下输出结果是否是压缩文件
hive (default)> insert overwrite local directory ‘/opt/module/datas/distribute-result’ select * from emp
distribute by deptno sort by empno desc;

特别注意：看到.Snappy文件，它还是textfile，只是压缩了

文件存储格式

四种存储格式介绍：（每一种存储格式不同，大小也会不同，不一定都是自带压缩的）
TextFile 每一行都是一条记录，每行都以换行符（\ n）结尾。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。

RCFile（列式存储格式文件）【过时了】
存储方式：数据按行分块 每块按照列存储；
压缩快 快速列存取；
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。
性能可能比sequencefile没有明显的优势

ORCFile：
存储方式：数据按行分块 每块按照列存储；
压缩快 快速列存取效率比rcfile高,是rcfile的改良版本 最好 (0.11以后出现)

Parquet：类似于orc，相对于orc文件格式，hadoop生态系统中大部分工程都支持parquet文件。
spark默认就是Parquet

sequencefile（二进制序列文件）以<key,value>的形式序列化到文件中；
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。支持三种压缩选择：NONE, RECORD, BLOCK。 Record压缩率低，record是默认选项，压缩效率最低，BLOCK效率比较高

Sequence Files 支持3种压缩，NONE，RECORD，BLOCK。
需要在指定输出压缩格式后面再添一句
set mapred.output.compression.type=BLOCK --压缩选项设置为BLOCK

行式存储和列式存储示意图，我感觉这个图非常形象

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 TEXTFILE 和 SEQUENCEFILE 的存储格式都是基于行存储的
select * from table where 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。 ORC 和 PARQUET 是基于列式存储的
select dd from table 快

存储和压缩综合

存储文件的压缩比总结：
ORC > Parquet > textFile

ORC本身自带压缩，默认是ZLIB。比 snappy 压缩的小，所以也可以只用ORC，不指定压缩模式
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”);
这里导入数据需要用insert into 如果直接load文件进入，文件格式就不是orc了，因为load是存在hdfs上的

在实际的项目开发当中，hive 表的数据存储格式一般选择：orc 或 parquet。压缩方式一
般选择 snappy，lzo。
一般如果涉及计算清洗还是使用 textfile snappy压缩，因为计算涉及到mapreduce，MR是一行行读取，行式存储肯定更优，导入最终表了，再使用orc ，体积小

AVRO是开源项目，为Hadoop提供数据序列化和数据交换服务。您可以在Hadoop生态系统和以任何编程语言编写的程序之间交换数据。Avro是基于大数据Hadoop的应用程序中流行的文件格式之一。