9）Hive（压缩和存储）

Hadoop源码编译支持Snappy压缩

1. 资源准备

   1. CentOS联网：
      配置CentOS能连接外网。Linux虚拟机ping www.baidu.com 是畅通的
      注意：采用root角色编译，减少文件夹权限出现问题
   2. jar包准备(hadoop源码、JDK8 、maven、protobuf)
      hadoop-2.7.2-src.tar.gz
      jdk-8u144-linux-x64.tar.gz
      snappy-1.1.3.tar.gz
      apache-maven-3.0.5-bin.tar.gz
      protobuf-2.5.0.tar.gz

2. jar包安装（注意：所有操作必须在root用户下完成）

   1. JDK解压、配置环境变量JAVA_HOME和PATH，验证java-version(如下都需要验证是否配置成功)；
   2. Maven解压、配置 MAVEN_HOME和PATH，验证命令：mvn -version；

3. 编译源码

   1. 准备编译环境:

   [root@hadoop101 software]# yum install svn
   [root@hadoop101 software]# yum install autoconf automake libtool cmake
   [root@hadoop101 software]# yum install ncurses-devel
   [root@hadoop101 software]# yum install openssl-devel
   [root@hadoop101 software]# yum install gcc*
   

   2. 编译安装snappy

   [root@hadoop101 software]# tar -zxvf snappy-1.1.3.tar.gz -C /opt/module/
   [root@hadoop101 module]# cd snappy-1.1.3/
   [root@hadoop101 snappy-1.1.3]# ./configure
   [root@hadoop101 snappy-1.1.3]# make
   [root@hadoop101 snappy-1.1.3]# make install
   # 查看snappy库文件
   [root@hadoop101 snappy-1.1.3]# ls -lh /usr/local/lib |grep snappy
   

   3. 编译安装protobuf

      [root@hadoop101 software]# tar -zxvf protobuf-2.5.0.tar.gz -C /opt/module/
      [root@hadoop101 module]# cd protobuf-2.5.0/
      [root@hadoop101 protobuf-2.5.0]# ./configure 
      [root@hadoop101 protobuf-2.5.0]#  make 
      [root@hadoop101 protobuf-2.5.0]#  make install
      # 查看protobuf版本以测试是否安装成功
      [root@hadoop101 protobuf-2.5.0]# protoc --version

   4. 编译hadoop native

   [root@hadoop101 software]# tar
   -zxvf hadoop-2.7.2-src.tar.gz
   [root@hadoop101 software]# cd hadoop-2.7.2-src/
   [root@hadoop101 software]# mvn clean package -DskipTests -Pdist,native -Dtar -Dsnappy.lib=/usr/local/lib -Dbundle.snappy

   执行成功后，/opt/software/hadoop-2.7.2-src/hadoop-dist/target/hadoop-2.7.2.tar.gz即为新生成的支持snappy压缩的二进制安装包

Hadoop压缩配置

• MR支持的压缩编码、压缩参数配置参照此文

• 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
  案例实操：

  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;

• 文件存储格式
  Hive支持的存储数的格式主要有：TEXTFILE 、SEQUENCEFILE、ORC、PARQUET

  • 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;
  • 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，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。
  • Orc格式：
    Orc (Optimized Row Columnar)是Hive 0.11版里引入的新的存储格式：
  • Parquet格式：
    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

• 存储和压缩结合

  • 修改Hadoop集群具有Snappy压缩方式
    • 查看hadoop checknative命令使用：
      hadoop checknative [-a|-h] check native hadoop andcompression libraries availability
    • 查看hadoop支持的压缩方式:
      hadoop checknative
  • 将编译好的支持Snappy压缩的hadoop-2.7.2.tar.gz包导入到hadoop102的/opt/software中
  • 解压hadoop-2.7.2.tar.gz到当前路径
  • 进入到/opt/software/hadoop-2.7.2/lib/native路径可以看到支持Snappy压缩的动态链接库
  • 拷贝/opt/software/hadoop-2.7.2/lib/native里面的所有内容到开发集群 的 /opt/module/hadoop-2.7.2/lib/native路径上：
  • 分发native/
  • 再次查看hadoop支持的压缩类型
  • 小结：
    在项目开发当中，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