15-Hadoop压缩和存储

Hadoop压缩和存储

Hadoop压缩和存储思维导图

1、 Hadoop压缩配置

1) MR支持的压缩编码

• 压缩格式 工具 算法 文件扩展名 是否可切分
  DEFAULT 无 DEFAULT .deflate 否
  Gzip gzip DEFAULT .gz 否
  bzip2 bzip2 bzip2 .bz2 是
  LZO lzop LZO .lzo 否
  LZ4 无 LZ4 .lz4 否
  Snappy 无 Snappy .snappy 否

• 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
    LZ4 org.apache.hadoop.io.compress.Lz4Codec
    Snappy org.apache.hadoop.io.compress.SnappyCodec

2) 压缩配置参数

• 要在Hadoop中启用压缩，可以配置如下参数（mapred-site.xml文件中）：

3) 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(*) from aaaa;

4) 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。

  • 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 ‘/root/data’ select * from aaaa;

2、 文件存储格式

Hive支持的存储数的格式主要有：

• TEXTFILE
• SEQUENCEFILE
• ORC
• PARQUET

1) 列式存储和行式存储

• 上图左边为逻辑表，右边第一个为行式存储，第二个为列式存储

• 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。

• 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是基于列式存储的

2) TEXTFILE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(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

3) ORC格式

• Orc (Optimized Row Columnar)是hive 0.11版里引入的新的存储格式。

• 可以看到每个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，这样应该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：

    • 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

  • Row Data：

    • 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。
      

  • Stripe Footer：

    • 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。

4) PARQUET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

  • 左图展示了一个Parquet文件的内容，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。

5) 主流文件存储格式对比实验

• 1）TextFile

  • （1）创建表，存储数据格式为TEXTFILE

 create table log_text (
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 textfile ;

- （2）向表中加载数据

	- hive (default)> load data local inpath '/root/log' into table log_text ;

- （3）查看表中数据大小

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

- 18.1 M  /user/hive/warehouse/log_text/log.data

• 2）ORC

  • （1）创建表，存储数据格式为ORC

 create table log_orc(
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 ;

- （2）向表中加载数据

	- insert into table log_orc select * from log_text ;

- （3）查看表中数据大小

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

- 2.8 M  /user/hive/warehouse/log_orc/000000_0

• 3）Parquet

  • （1）创建表，存储数据格式为parquet

- create table log_parquet(
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 parquet ;	

- （2）向表中加载数据

	- insert into table log_parquet select * from log_text ;

- （3）查看表中数据大小

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

- 13.1 M  /user/hive/warehouse/log_parquet/000000_0

• 存储文件的压缩比总结：

  • ORC > Parquet > textFile

3、 存储和压缩结合

官网：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+ORC

ORC存储方式的压缩：

1）创建一个非压缩的的ORC存储方式

• （1）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/ ;

• 7.7 M /user/hive/warehouse/log_orc_none/000000_0

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 ;

• （3）查看插入后数据

  • dfs -du -h /user/hive/warehouse/log_orc_snappy/ ;

• 3.8 M /user/hive/warehouse/log_orc_snappy/000000_0

3）上一节中默认创建的ORC存储方式，导入数据后的大小为

• 2.8 M /user/hive/warehouse/log_orc/000000_0
• 比Snappy压缩的还小。原因是orc存储文件默认采用ZLIB压缩。比snappy压缩的小。

xshell连接窍门：

sshd_config：

• UserDNS（no）

sshd restart