Hive技术之压缩和存储
1. Hadoop源码编译支持Snappy压缩
Hadoop数据压缩相关基础知识
编译后的hadoop-2.7.2.tar.gz --支持snappy压缩步骤:
查看 hadoop 支持的压缩方式--
hadoop checknative
命令
将编译好的支持 Snappy 压缩的 hadoop-2.7.2.tar.gz 包导入到 hadoop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的/opt/module/hadoop-2.7.2/lib/native 路径上
cp /opt/software/hadoop-2.7.2/lib/native/* /opt/module/hadoop-2.7.2/lib/native/
分发集群
xsync native/
再次查看 hadoop 支持的压缩类型
重新启动 hadoop 集群和 hive
2. 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:-- 开启 hive 中间传输数据压缩功能,默认为false set hive.exec.compress.intermediate=true; -- 开启 mapreduce 中 map 输出压缩功能,默认为false set mapreduce.map.output.compress=true; -- 设置 mapreduce 中 map 输出数据的压缩方式,默认为:org.apache.hadoop.io.compress.DefaultCodec set mapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.SnappyCodec; -- 执行查询语句 select count(ename) name from emp;
3. 开启 Reduce 输出
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。
-- 开启 hive 最终输出数据压缩功能,默认为false set hive.exec.compress.output=true; -- 开启 mapreduce 最终输出数据压缩,默认为false set mapreduce.output.fileoutputformat.compress=true; -- 设置 mapreduce 最终数据输出压缩方式,默认为org.apache.hadoop.io.compress.DefaultCodec set mapreduce.output.fileoutputformat.compress.codec=org.apache.hadoop.io.compress.SnappyCodec; -- 设置 mapreduce 最终数据输出压缩为块压缩,默认为RECORD set mapreduce.output.fileoutputformat.compress.type=BLOCK; -- 测试一下输出结果是否是压缩文件 insert overwrite local directory '/opt/module/data/distribute-result' select * from emp distribute by deptno sort by empno desc;
4. 列式存储和行式存储
左边为逻辑表,右边第一个为行式存储,第二个为列式存储。
- 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。
4.1 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。
4.2 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。
5. 文件存储格式
Hive 支持的存储数的格式主要有:
TEXTFILE 、SEQUENCEFILE、ORC、PARQUET
5.1 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。
5.2 Orc 格式
Orc (Optimized Row Columnar)
是 Hive 0.11 版里引入的新的存储格式。如下图所示可以看到每个 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,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。
5.3 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 文件的格式如图所示:
- 上图展示了一个 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。
6. 主流文件存储格式对比实验
从存储文件的压缩比和查询速度两个角度对比。
6.1 存储文件的压缩比测试
测试数据log.data
TextFile
-- 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;
-- 向表中加载数据
load data local inpath '/opt/module/data/log.data' into table log_text;
--查看表中数据大小
dfs -du -h /user/hive/warehouse/hive.db/log_text;
-- 结果:18.1 M /user/hive/warehouse/hive.db/log_text/log.data
ORC
-- 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;
-- 向表中加载数据
insert into table log_orc select * from log_text;
-- 查看表中数据大小
dfs -du -h /user/hive/warehouse/hive.db/log_orc/ ;
-- 结果:2.8 M /user/hive/warehouse/hive.db/log_orc/000000_0
Parquet
-- 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;
-- 向表中加载数据
insert into table log_parquet select * from log_text;
-- 查看表中数据大小
dfs -du -h /user/hive/warehouse/hive.db/log_parquet/ ;
-- 结果:13.1 M /user/hive/warehouse/hive.db/log_parquet/000000_0
存储文件的压缩比总结:ORC > Parquet > textFile
6.2 存储文件的查询速度测试
TextFile
select count(*) from log_text;
_c0
100000
Time taken: 23.926 seconds, Fetched: 1 row(s)
Time taken: 20.499 seconds, Fetched: 1 row(s)
ORC
select count(*) from log_orc;
_c0
100000
Time taken: 24.632 seconds, Fetched: 1 row(s)
Time taken: 20.706 seconds, Fetched: 1 row(s)
Parquet
select count(*) from log_parquet;
_c0
100000
Time taken: 20.431 seconds, Fetched: 1 row(s)
Time taken: 21.862 seconds, Fetched: 1 row(s)
存储文件的查询速度总结:
查询速度相近
。
6.3 测试存储和压缩
创建一个非压缩的的 ORC 存储方式
-- 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");
-- 插入数据
insert into table log_orc_none select * from log_text;
-- 查看插入后数据
dfs -du -h /user/hive/warehouse/hive.db/log_orc_none/;
-- 结果:7.7 M /user/hive/warehouse/hive.db/log_orc_none/000000_0
创建一个 SNAPPY 压缩的 ORC 存储方式
-- 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");
-- 插入数据
insert into table log_orc_snappy select * from log_text;
-- 查看插入后数据
dfs -du -h /user/hive/warehouse/hive.db/log_orc_snappy/;
-- 结果:3.8 M /user/hive/warehouse/hive.db/log_orc_snappy/000000_0
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/hive.db/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。
存储方式和压缩总结
- 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。
、