大数据之Hive基础

B站尚硅谷hive学习视频整理，用于自查

1.什么是hive

Hive 是基于 Hadoop 的一个数据仓库工具，可以将结构化的数据文件映射为一张表，并提供类 SQL 查询功能。本质是将HQL转化为MapReduce

2.Hive优缺点

• 优点：
  1）操作接口采用类 SQL 语法，提供快速开发的能力（简单、容易上手）。
  2）避免了去写 MapReduce，减少开发人员的学习成本。
  3）Hive 的执行延迟比较高，因此 Hive 常用于数据分析，对实时性要求不高的场合。
  4）Hive 优势在于处理大数据，对于处理小数据没有优势，因为 Hive 的执行延迟比较高。
  5）Hive 支持用户自定义函数，用户可以根据自己的需求来实现自己的函数。
• 缺点
  1）Hive 的 HQL 表达能力有限
  2）Hive 的效率比较低

3.hive和数据库比较

1）查询语言
由于 SQL 被广泛的应用在数据仓库中，因此，专门针对 Hive 的特性设计了类 SQL 的查询语言 HQL。熟悉 SQL 开发的开发者可以很方便的使用 Hive 进行开发。
2）数据更新
由于 Hive 是针对数据仓库应用设计的，而数据仓库的内容是读多写少的。因此，Hive 中不建议对数据的改写，所有的数据都是在加载的时候确定好的（一次写入，多次查询）。而数据库中的数据通常是需要经常进行修改的，因此可以使用 INSERT INTO … VALUES 添加数据，使用 UPDATE … SET 修改数据。
3）执行延迟
Hive 在查询数据的时候，由于没有索引，需要扫描整个表，因此延迟较高。另外一个导致 Hive 执行延迟高的因素是 MapReduce 框架。由于 MapReduce 本身具有较高的延迟，因此在利用 MapReduce 执行 Hive 查询时，也会有较高的延迟。相对的，数据库的执行延迟较低。当然，这个低是有条件的，即数据规模较小，当数据规模大到超过数据库的处理能力的时候，Hive 的并行计算显然能体现出优势。
4）数据规模
由于 Hive 建立在集群上并可以利用 MapReduce 进行并行计算，因此可以支持很大规模的数据；对应的，数据库可以支持的数据规模较小。

4.hive常用交互命令

1）“-e”不进入 hive 的交互窗口执行 sql 语句

hive -e "select id from student;"

2）“-f”执行脚本中 sql 语句并将结果写入txt文件中

 bin/hive -f /opt/module/hive/datas/hivef.sql > /opt/module/datas/hive_result.txt

3）退出

exit;

4）在 hive cli 命令窗口中如何查看 hdfs 文件系统

hive(default)>dfs -ls /;

5）查看在 hive 中输入的所有历史命令

• 进入到当前用户的根目录 /root 或/home/atguigu
• 查看. hivehistory 文件

cat .hivehistory

5.hive数据类型

• 基本数据类型
  tinyint /smallint /INT/ BIGINT/ BOOLEAN / FLOAT /DOUBLE/ STRING/decimal/varchar/ TIMESTAMP /BINARY
• 集合数据类型
  STRUCT/MAP/ARRAY

STRUCT和 c 语言中的 struct 类似，都可以通过“点”符号访问元素内容。例如，如果某个列的数据类型是 struct<first:STRING, last:STRING>,那么第 1 个元素可以通过字段struct.first 来引用。

6.将文件数据load到hive表中

（1）假设某表有如下一行，我们用 JSON 格式来表示其数据结构。在 Hive 下访问的格式为

{
 "name": "songsong",
 "friends": ["bingbing" , "lili"] , //列表 Array, 
 "children": { //键值 Map,
     "xiao song": 18 ,
     "xiaoxiao song": 19
 }
 "address": { //结构 Struct,
     "street": "hui long guan",
     "city": "beijing"
 }
}

2）基于上述数据结构，我们在 Hive 里创建对应的表，并导入数据。创建本地测试文件 test.txt

{"name": "songsong", "friends": ["bingbing" , "lili"] , "children": { "xiao song": 18 ,"xiaoxiao song": 19}"address": {"street": "hui long guan","city": "beijing"}}

3）测试表 test

create table test(
name string,
friends array<string>,
children map<string, int>,
address struct<street:string, city:string>
)
row format serde 'org.apache.hadoop.hive.serde2.JsonSerDe'
location '/user/hive/warehouse/test';

4）导入文本数据到测试表

load data local inpath '/opt/module/hive/datas/test.txt' into table test;

hdfs上的文件被load后会被删除

5）访问三种集合列里的数据，以下分别是 ARRAY，MAP，STRUCT 的访问方式

select friends[1],children['xiao song'],address.city from test where name="songsong";
OK
_c0 _c1 city
lili 18 beijing
Time taken: 0.076 seconds, Fetched: 1 row(s)

7.类型转化

• 可以进行隐式转换，但是不能进行反向转化
  （1）任何整数类型都可以隐式地转换为一个范围更广的类型，如 TINYINT 可以转换成INT，INT 可以转换成 BIGINT。
  （2）所有整数类型、FLOAT 和 STRING 类型都可以隐式地转换成DOUBLE。
  （3）TINYINT、SMALLINT、INT 都可以转换为 FLOAT。
  （4）BOOLEAN 类型不可以转换为任何其它的类型。
• 可以使用 CAST 操作显示进行数据类型转换
  例如 CAST(‘1’ AS INT)将把字符串’1’ 转换成整数 1；如果强制类型转换失败,如执行CAST(‘X’ AS INT)，表达式返回空值 NULL。

8.DDL

• 数据库相关

--增
CREATE DATABASE [IF NOT EXISTS] database_name
[COMMENT database_comment]
[LOCATION hdfs_path] --指定存放位置
[WITH DBPROPERTIES (property_name=property_value, ...)];
--删
drop database if exists db_hive2;
drop database db_hive cascade;  --如果数据库不为空，可以采用 cascade 命令，强制删除
--改
alter database db_hive set dbproperties('createtime'='20170830');
 --查
desc database extended db_hive;  --extended 查看详细信息

• 表相关

--增
CREATE [TEMPORARY][EXTERNAL] TABLE [IF NOT EXISTS] table_name  --EXTERNAL外部表
[(col_name data_type [COMMENT col_comment], ...)]
[COMMENT table_comment]
[PARTITIONED BY (col_name data_type [COMMENT col_comment], ...)]  --分区
[CLUSTERED BY (col_name, col_name, ...)[SORTED BY (col_name [ASC|DESC]**-, ...)] INTO num_buckets BUCKETS]   --分桶
[ROW FORMAT row_format]
[STORED AS file_format]
[LOCATION hdfs_path]
[TBLPROPERTIES (property_name=property_value, ...)]
[AS select_statement]
[like table]

ROW FORMAT指定SerDe，序列化和反序列化
语法一：
ROW FORMAT DELIMITED
[FIELDS TERMINATED BY char] --列分隔符
[COLLECTION ITEMS TERMINATED BY char] --map、struct和array中每个元素之间的分隔符
[MAP KEYS TERMINATED BY char] --map中key与value的分隔符
[LINES TERMINATED BY char] --行分隔符
[NULL DEFINED AS char]
语法二：
ROW FORMAT SERDE serde_name [WITH SERDEPROPERTIES (propertyname=property_value,…)]

STORED AS 指定存储文件类型，常用的存储文件类型：SEQUENCEFILE（二进制序列文件）、TEXTFILE（文本，默认值=）、ORC、PARQUET。
AS：后跟查询语句，根据查询结果创建表，会复制数据，不允许创建外部表。
LIKE 允许用户复制现有的表结构，但是不复制数据，允许创建外部表。

--查
show create table table_name;
desc [formatted|extended] table_name;
--删(如果是删除外部表，hdfs 中的数据还在，但是 metadata 中 dept 的元数据已被删除)
drop table table_name;  
truncate table table_name;
--修改内部表 student2 为外部表
alter table student2 set tblproperties('EXTERNAL'='TRUE');
--更新列
ALTER TABLE table_name CHANGE [COLUMN] col_old_name col_new_name column_type [COMMENT col_comment] [FIRST|AFTER column_name]
--增加和替换列(ADD 是代表新增一字段，字段位置在所有列后面(partition 列前)，REPLACE 则是表示替换表中所有字段。)
ALTER TABLE table_name ADD|REPLACE COLUMNS (col_name data_type [COMMENT col_comment], ...)

alter 后HDFS数据文件并不会更改，需要重新load文件数据才能使用。
在alter时会自动校验数据类型能否转换，比如string转为int会报错，可以设置set hive.metastore.disallow.incompatible.col.type.changes=false;关闭校验

9.DML

• 数据导入

--向表中装载数据
load data [local] inpath '数据的 path' [overwrite] into table student [partition (partcol1=val1,…)];
--insert(overwrite覆盖 into追加)不支持插入部分字段
insert overwrite/into table student_par select id, name from student where month='201709';
--查询语句中创建表并加载数据
create table if not exists student3 as select id, name from student;
--创建表时通过 Location 指定加载数据路径
create external table if not exists student5( id int, name string) 
row format delimited fields terminated by '\t'
location '/student';
-- Import 数据到指定 Hive 表中
import table student2 from '/user/hive/warehouse/export/student';

• 数据导出

--将查询的结果导出
insert overwrite local directory '/opt/module/hive/data/export/student1' --local表示导出至本地，如无，表示导出到hdfs
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'--格式化，可省略
select * from student;
-- Hadoop 命令导出到本地
dfs -get /user/hive/warehouse/student/student.txt/opt/module/data/export/student3.txt;
--Hive Shell 命令导出（hive -f/-e 执行语句或者脚本 > file）
bin/hive -e 'select * from default.student;' >/opt/module/hive/data/export/student4.txt;
--Export 导出到 HDFS 上（export 和 import 主要用于两个 Hadoop 平台集群之间 Hive 表迁移）
export table default.student to '/user/hive/warehouse/export/student';
--清除(Truncate 只能删除管理表，不能删除外部表中数据)
truncate table table_name

• 查询
  1 )A<=>B ：如果 A 和 B 都为 NULL，则返回 TRUE，如果一边为 NULL，返回 False;
  2）比较运算符中（<>,<,>,between and）,有一方为NULL，结果就返回NULL;
  3）A RLIKE B, A REGEXP B：B 是基于 java 的正则表达式；
  4）hive中连接方式有FULL JOIN,将会返回所有表中符合 WHERE 语句条件的所有记录。如果任一表的指定字段没有符合条件的值的话，那么就使用 NULL 值替代。
  5）优化：当对 3 个或者更多表进行 join 连接时，如果每个 on 子句都使用相同的连接键的话，那么只会产生一个 MapReduce job。
  6）order by全局排序，只有一个 Reducer
  7）sort by对于大规模的数据集 order by 的效率非常低。在很多情况下，并不需要全局排序，此时可以使用先distribute by分区，再sort by排序。如 select * from emp distribute by deptno sort by empno desc;
  8）cluster by当 distribute by 和 sorts by 字段相同时，可以使用 cluster by 方式，但是排序只能是升序。
  9）group by having和sql相同

10.分区

建表：

create table dept_partition(
deptno int, dname string, loc string
)
partitioned by (day string)
row format delimited fields terminated by '\t';

注意：分区字段不能是表中已经存在的数据，可以将分区字段看作表的伪列。

加载数据

load data local inpath '/opt/module/hive/datas/dept_20200401.log' into table dept_partition partition(day='20200401');

分区表加载数据时，必须指定分区

创建分区

alter table dept_partition add partition(day='20200404');
alter table dept_partition add partition(day='20200405') partition(day='20200406');

删除分区（注意逗号）

alter table dept_partition drop partition (day='20200406');
alter table dept_partition drop partition (day='20200404'), partition(day='20200405');

查看分区

show partitions dept_partition;

创建二级分区表

create table dept_partition2(
deptno int, dname string, loc string)
partitioned by (day string, hour string)
row format delimited fields terminated by '\t';

11.数据上传到分区表的方式

方法一：上传后同步
1）上传文件

hive (default)> dfs -mkdir -p
/user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=13;
hive (default)> dfs -put /opt/module/datas/dept_20200401.log 
/user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=13;

此时查询不到刚上传的数据
2）执行修复命令

hive> msck repair table dept_partition2;

此时可以查询到数据

方法二：上传数据后添加分区
1）上传文件
2）执行添加分区

hive (default)> alter table dept_partition2 add partition(day='201709',hour='14');

方法三：创建文件夹后 load 数据到分区
1）创建目录

hive (default)> dfs -mkdir -p /user/hive/warehouse/mydb.db/dept_partition2/day=20200401/hour=15;

2）上传数据

hive (default)> load data local inpath '/opt/module/hive/datas/dept_20200401.log' into table dept_partition2 partition(day='20200401',hour='15');

12.严格模式和非严格模式

参数设置

--开启非严格模式
hive.exec.dynamic.partition.mode=nonstrict
--开启严格模式
hive.exec.dynamic.partition.mode=strict

• 如果Hive开启严格模式，将会阻止以下三种查询：
  1）对分区表查询，where条件中过滤字段没有分区字段；
  2）对order by查询，order by的查询不带limit语句。
  3）笛卡尔积join查询，join查询语句中不带on条件或者where条件；
• 如果Hive开启严格模式，表示必须指定至少一个分区为
  静态分区

--建表
create table dept_partition_dy(id int, name string) partitioned by (loc int,dt timestamp) row format delimited fields terminated by '\t';
--非严格模式
set hive.exec.dynamic.partition.mode=nonstrict;
hive (default)> insert into table dept_partition_dy partition(loc) select deptno, dname, loc, dt from dept;
--严格模式
set hive.exec.dynamic.partition.mode=strict;
hive (default)> INSERT OVERWRITE TABLE dept_partition_dy PARTITION(dt='2024-11-19', loc)
SELECT deptno, dname, loc from dept;
--在这里，loc分区将由SELECT子句（即loc）的最后一列动态创建。
--而dt分区是手动指定写死的。

13.动态分区

动态分区是指向分区表insert时，被写入的分区不由用户指定，而是由每行数据的最后一个字段的值来动态决定。
开启动态分区参数设置

--开启动态分区功能（默认 true，开启）
hive.exec.dynamic.partition=true
--设置为非严格模式
hive.exec.dynamic.partition.mode=nonstrict
--在所有执行 MR 的节点上，最大一共可以创建多少个动态分区。默认 1000
hive.exec.max.dynamic.partitions=1000
--在每个执行 MR 的节点上，最大可以创建多少个动态分区。该参数需要根据实际的数据来设定。比如：源数据中包含了一年的数据，即 day 字段有 365 个值，那么该参数就需要设置成大于 365，如果使用默认值 100，则会报错。
hive.exec.max.dynamic.partitions.pernode=100
--整个 MR Job 中，最大可以创建多少个 HDFS 文件。默认 100000
hive.exec.max.created.files=100000
--当有空分区生成时，是否抛出异常。一般不需要设置。默认 false
hive.error.on.empty.partition=false

14.分桶

对于一张表或者分区，Hive 可以进一步组织成桶，也就是更为细粒度的数据范围划分。
分桶是将数据集分解成更容易管理的若干部分的另一个技术。
分区针对的是数据的存储路径；分桶针对的是数据文件。
建表

create table stu_buck(id int, name string)
clustered by(id) 
into 4 buckets
row format delimited fields terminated by '\t';

分桶规则：
Hive 的分桶采用对分桶字段的值进行哈希，然后除以桶的个数求余的方式决定该条记录存放在哪个桶当中
分桶表操作需要注意的事项:
（1）reduce 的个数设置为-1,让 Job 自行决定需要用多少个 reduce 或者将 reduce 的个
数设置为大于等于分桶表的桶数
（2）从 hdfs 中 load 数据到分桶表中，避免本地文件找不到问题
（3）不要使用本地模式

15.抽样查询

对于非常大的数据集，有时用户需要使用的是一个具有代表性的查询结果而不是全部结果。Hive 可以通过对表进行抽样来满足这个需求。
语法: TABLESAMPLE(BUCKET x OUT OF y)
查询表 stu_buck 中的数据。

hive (default)> select * from stu_buck tablesample(bucket 1 out of 4 on id);

注意：x 的值必须小于等于 y 的值，否则

FAILED: SemanticException [Error 10061]: Numerator should not be bigger than denominator in sample clause for table stu_buck

16.常用函数

1）查看系统自带的函数hive> show functions;
2）显示自带的函数的用法hive> desc function upper;
3）详细显示自带的函数的用法hive> desc function extended upper;
4）空字段赋值,如果 value 为 NULL，则 NVL 函数返回default_value 的值，否则返回 value 的值，如果两个参数都为 NULL ，则返回 NULL。NVL( value，default_value)
5）CASE WHEN THEN ELSE END
6）字符串拼接：CONCAT(string A/col, string B/col…)

17.行转列

• CONCAT_WS(separator, str1, str2,…)：它是一个特殊形式的 CONCAT()。第一个参数为分隔符。分隔符可以是与剩余参数一样的字符串。如果分隔符是 NULL，返回值也将为 NULL。str为null会被跳过;
  注意: CONCAT_WS must be "string or array
• COLLECT_SET(col)：函数只接受基本数据类型，它的主要作用是将某字段的值进行去重汇总，产生 Array 类型字段

举例

需求
把星座和血型一样的人归类到一起。结果如下：

sql

SELECT
t1.c_b,
CONCAT_WS("|",collect_set(t1.name))
FROM (
SELECT
NAME,
CONCAT_WS(',',constellation,blood_type) c_b
FROM person_info
)t1
GROUP BY t1.c_b

18. 列转行

• EXPLODE(col)：将 hive 一列中复杂的 Array 或者 Map 结构拆分成多行。
• LATERAL VIEW
  用法：LATERAL VIEW udtf(expression) tableAlias AS columnAlias
  解释：用于和 split, explode 等 UDTF 一起使用，它能够将一列数据拆成多行数据，在此基础上可以对拆分后的数据进行聚合

举例

需求

SELECT
movie,
category_name
FROM
movie_info
lateral VIEW
explode(split(category,",")) movie_info_tmp AS category_name;

19.窗口函数

1）OVER()：指定分析函数工作的数据窗口大小，这个数据窗口大小可能会随着行的变而变化。
2）CURRENT ROW：当前行
3）n PRECEDING：往前 n 行数据
4）n FOLLOWING：往后 n 行数据
5）UNBOUNDED：起点，
UNBOUNDED PRECEDING 表示从前面的起点，
UNBOUNDED FOLLOWING 表示到后面的终点
6）LAG(col,n,default_val)：往前第 n 行数据
7）LEAD(col,n, default_val)：往后第 n 行数据
8）NTILE(n)：把有序窗口的行分发到指定数据的组中，各个组有编号，编号从 1 开始，对于每一行，NTILE 返回此行所属的组的编号。注意：n 必须为 int 类型。
9）RANK() 排序相同时会重复，总数不会变
10）DENSE_RANK() 排序相同时会重复，总数会减少
11）ROW_NUMBER() 会根据顺序计算

--（1）查询在 2017 年 4 月份购买过的顾客及总人数
select name,count(*) over () from business where substring(orderdate,1,7) = '2017-04' group by name;
--（2）查询顾客的购买明细及月购买总额
select name,orderdate,sum(cost) over(partition by substring(1,7),name) from business;
--（3）上述的场景, 将每个顾客的 cost 按照日期进行累加
select name,orderdate,sum(cost) over(partition by substring(1,7),name order by orderdate) from business;
--（4）查询每个顾客上次的购买时间
select name,orderdate,lag(orderdate,1,'1900-01-01') over(partition by name order by orderdate) from business;
--（5）查询前 20%时间的订单信息
select * from (select *,row number() over(order by orderdate) rn from business) where rn<=3;

20.自定义函数UDF

分类：
1）UDF 一进一出
2）UDAF 聚集函数，多进一出（类似于count，max）
3）UDTF 一进多出（如lateral view explode()）

步骤：
1）导入依赖

<dependencies>
    <dependency>
        <groupId>org.apache.hive</groupId>
        <artifactId>hive-exec</artifactId>
        <version>3.1.2</version>
    </dependency>
</dependencies>

2）创建函数类
3）打成 jar 包上传到服务器/opt/module/data/myudf.jar
4）将 jar 包添加到 hive 的 classpath

hive (default)> add jar /opt/module/data/myudf.jar;

5）创建临时函数与开发好的 java class 关联

hive (default)> create temporary function my_len as "com.atguigu.hive.MyStringLength";

6）即可在 hql 中使用自定义的函数

hive (default)> select ename,my_len(ename) ename_len from emp;

21.列式存储和行式存储

如图所示左边为逻辑表，右边第一个为行式存储，第二个为列式存储。
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。

21.hive文件格式

Hive 支持的存储数据的格式主要有：TEXTFILE 、SEQUENCEFILE、ORC、PARQUET。
TEXTFILE 和 SEQUENCEFILE 的存储格式都是基于行存储的；
ORC 和 PARQUET 是基于列式存储的。

• ORC
  
  每个stripe一般为HDFS的块大小，128M，但是默认为64M，可以修改为128M。每一个 stripe 包含多条记录，这些记录按照列进行独立存储，对应到 Parquet中的 row group 的概念。每个 Stripe 里有三部分组成，分别是 Index Data，Row Data，Stripe Footer：
  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。
  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。
  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。

1）建表

create table log_orc(
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
stored as orc
tblproperties("orc.compress"="NONE"); -- 设置 orc 存储不使用压缩

2）desc formatted log_orc;

SerDe：以ORC格式序列化和反序列化
InputFormat：以ORC格式输入
OutputFormat：以ORC格式输出

3）向表中加载数据

hive (default)> insert into table log_orc select * from log_text;

不能通过load data的方式加载数据，无法解析
4）查看表中数据大小

hive (default)> dfs -du -h /user/hive/warehouse/log_orc/ ;

5）ORC文件格式支持的参数如下：

参数	默认值	说明
orc.compress	ZLIB	压缩格式，可选项：NONE、ZLIB,、SNAPPY
orc.compress.size	262,144	每个压缩块的大小（ORC文件是分块压缩的）
orc.stripe.size	67,108,864	每个stripe的大小
orc.row.index.stride	10,000	索引步长（每隔多少行数据建一条索引）

• Parquet

是Hadoop生态中的一个通用的文件格式。以二进制方式存储，因此Parquet格式文件是自解析的。

（1）行组(Row Group)：每一个行组包含一定的行数，在一个 HDFS 文件中至少存储一个行组，类似于 orc 的 stripe 的概念。
（2）列块(Column Chunk)：在一个行组中每一列保存在一个列块中，行组中的所有列连续的存储在这个行组文件中。一个列块中的值都是相同类型的，不同的列块可能使用不同的算法进行压缩。
（3）页(Page)：每一个列块划分为多个页，一个页是最小的编码的单位，在同一个列块的不同页可能使用不同的编码方式。
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。

1）建表

create table parquet_table
(column_speces)
stored as parquet
tblproperties (property_name=property_value,...);

2）加载数据方式与 orc相同。
3）支持的参数如下：

参数	默认值	说明
parquet.compression	uncompressed	压缩格式，可选项：uncompressed，snappy，gzip，lzo，brotli，lz4
parquet.block.size	134217728	行组大小，通常与HDFS块大小保持一致
parquet.page.size	1048576	页大小

22.压缩

在Hive表中和计算过程中，保持数据的压缩，会提高磁盘空间的有效利用和查询性能。
为了支持多种压缩/解压缩算法，Hadoop 引入了编码/解码器，如下表所示：

压缩格式	对应的编码/解码器
DEFLATE	org.apache.hadoop.io.compress.DefaultCodec
gzip	org.apache.hadoop.io.compress.GzipCodec
bzip2	org.apache.hadoop.io.compress.BZip2Codec
LZO	com.hadoop.compression.lzo.LzopCodec
Snappy	org.apache.hadoop.io.compress.SnappyCodec

bzip2和LZO可切片，DEFLATE,Gzip,Snappy不可切片

压缩速度：Snappy>LZO>Gzip>bzip2
解压速度：Snappy>LZO>Gzip>bzip2

22.1 建表时进行压缩

不同表类型的声明压缩方式是不同的。

• TextFile

多数情况下，无需在建表语句做出声明。直接将压缩后的文件导入到该表即可，Hive在查询表中数据时，可自动识别其压缩格式，进行解压。需要注意的是，在执行往表中导入数据的SQL语句时，用户需设置以下参数，来保证写入表中的数据是被压缩的。

--SQL语句的最终输出结果是否压缩
set hive.exec.compress.output=true;
--输出结果的压缩格式（以下示例为snappy）
set mapreduce.output.fileoutputformat.compress.codec =org.apache.hadoop.io.compress.SnappyCodec;

2）ORC

create table orc_table
(column_specs)
stored as orc
tblproperties ("orc.compress"="snappy");

3）Parquet

create table orc_table
(column_specs)
stored as parquet
tblproperties ("parquet.compression"="snappy");

22.2 计算过程中压缩

1）单个MR的中间结果进行压缩
单个MR的中间结果是指Mapper输出的数据，对其进行压缩可降低shuffle阶段的网络IO，可通过以下参数进行配置：

--开启MapReduce中间数据压缩功能
set mapreduce.map.output.compress=true;
--设置MapReduce中间数据数据的压缩方式（以下示例为snappy）
set mapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.SnappyCodec;

2）单条SQL语句的中间结果进行压缩
单条SQL语句的中间结果是指，两个MR（一条SQL语句可能需要通过MR进行计算）之间的临时数据，可通过以下参数进行配置：

--是否对两个MR之间的临时数据进行压缩
set hive.exec.compress.intermediate=true;
--压缩格式（以下示例为snappy）
set hive.intermediate.compression.codec= org.apache.hadoop.io.compress.SnappyCodec;