Hive数据存储模型

1.1 hive存储格式

Hive 中的数据分为真实数据与元数据，一般来说Hive的存储格式是指真实数据的Hive 常用的存储格式包括以下4种：TEXTFILE、SEQUENCEFILE、RCFILE和ORCFILE。
存储格式。
1.TEXTFILE

常见的txt、csv、tsv等文件都属于TEXTFILE。Hive默认存储格式为TEXTFILE,即创建表时如果不单独指定存储格式，则认为存储格式为TEXTFILE。存储格式为按行存储，内容为普通的文本格式，一般可以使用cat 命令直接查看。TEXTFILE 格式的数据文件无须任何处理即可导入Hive，文件每一行为一条记录，记录可用任意分隔符进行列分割，记录之间须以行结束符分割。Hive将TEXTFILE映射为表的过程中，将会逐个字符地判断是否为列分隔符或行分隔符。
TEXTFILE 支持使用Gzip 压缩，但Gzip压缩后的文件将不再支持MapReduce分割机制，这意味着压缩后的文件不论有多少个HDFS块都只能被一个Map任务处理，即失去了使用集群并行处理的优势。
2. SEQUENCEFILE
SEQUENCEFILE 是Hadoop 提供的一种由“二进制序列化过的Key/Value字节流”组成的文本存储文件格式。其由于内容为二进制字节，所以无法通过cat命令查看原始字符，这可以抽象地理解为，在SEQUENCEFILE中每条记录均以键值对的方式进行存储，仅支持追加。与TEXTFILE类似，SEQUENCEFILE同样按行存储
Hive无法直接导入SEQUENCEFILE格式的数据文件。数据须首先导入至TEXTFILE格式的表中，然后再从TEXTFILE格式的表中采用插入方式导入至SEQUENCEFILE格式的表。
SEQUENCEFILE 是可分割的文件格式，支持3种压缩选项。
（1）NONE：不压缩。
（2)  RECORD（默认选项）：记录级压缩，压缩率低。
（3）BLOCK：块级压缩，压缩率高。
3. RCFILE
RCFILE (Record-Columnar File）是Facebook开发的一种专门面向列的数据存储格式，不同于TEXTFILE 和SEQUENCEFILE，RCFILE是基于行列混合存储思想的设计。
4. ORCFILE
ORCFILE(Optimized Row-Columnar File）是对 RCFILE的优化，可以提供一种高效的方法来存储Hive 数据。ORCFILE的特点是：支持压缩比很高的压缩算法，文件可切分，提供多种索引，支持复杂的数据结构。

1.2 hive数据单元

Hive 所有真实数据都存储在HDFS中，这样更有利于对数据做分布式计算。为了有效地对真实数据进行管理，根据粒度大小，Hive 将真实数据划分为如下数据单元。
1.数据库
数据库（Databases)类似于RDBMS中的数据库，在HDFS中表现为 hive.metastore warehouse.dir目录下的一个文件夹，其本质是用于避免表、视图、分区、列等命名冲突的命名空间。
2.表
表（Tables）由列构成，在表上可以进行过滤、映射、连接和联合操作。表在 HDFS中表现为所属数据库目录下的子目录，具体又分内部表和外部表。内部表类似于RDBMS中的表，由Hive管理。外部表指向已经存在HDFS中的数据，与内部表元数据组织是相同的，但其数据存放位置是任意的。外部表的真实数据不被Hive管理，即当删除一张内部表时，元数据以及HDFS上的真实数据均被删除，而删除外部表则只会删除元数据而不会删除真实数据。
3.分区
每个表都可以按指定的键分为多个分区（Partitions)。分区的作用是提高查询的效率，
其在HDFS中表现为表目录下的子目录。
4.分桶
根据表中某一列的哈希值可将数据划分为多个分桶（Buckets)，在HDFS中分桶表
现为同一个自录下根据哈希散列之后的多个交件。
可以看到，Hive 中的数据单元划分与RDBMS的物理模型非常类似。但在Hive数
据单元划分过程中还必须注意以下几点。
>Hive 表没有主键。
>Hive 表（0.14版本前）不支持行级操作，新版本中行级操作效率也比较低。
>Hive 表不支持批量update操作，但可以先删除、再添加。
>Hive分区和分桶可以极大提升数据查询效率。