1、Hadoop 压缩配置
1.1、MR 支持的压缩编码
压缩格式 | 算法 | 文件扩展名 | 是否可切分 |
DEFLATE | DEFLATE | .deflate | 否 |
Gzip | DEFLATE | .gz | 否 |
bzip2 | bzip2 | .bz2 | 是 |
LZO | LZO | .lzo | 是 |
Snappy | 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 |
Snappy | org.apache.hadoop.io.compress.SnappyCodec |
压缩性能的比较
压缩算法 | 原始文件大小 | 压缩文件大小 | 压缩速度 | 解压速度 |
gzip | 8.3GB | 1.8GB | 17.5MB/s | 58MB/s |
bzip2 | 8.3GB | 1.1GB | 2.4MB/s | 9.5MB/s |
LZO | 8.3GB | 2.9GB | 49.3MB/s | 74.6MB/s |
1.2、压缩参数配置
要在 Hadoop
中启用压缩,可以配置如下参数(mapred-site.xml
文件中):
参数 | 默认值 | 阶段 | 建议 |
io.compression.codes (在core-site.xml 中配置) | org.apache.hadoop.io.compress.DefaultCodec , org.apache.hadoop.io.compress.GzipCodec , org.apache.hadoop.io.compress.BZip2Codec , org.apache.hadoop.io.compress.Lz4Codec | 输入压缩 | Hadoop 使用文件扩展名判断是否支持某种编码器 |
mapreduce.map.output.compress | false | mapper 输出 | 这个参数设为true 启用压缩 |
mapreduce.map.output.compress.codec | org.apache.hadoop.io.compress.DefaultCodec | mapper 输出 | 使用LZO 、LZ4和snappy 编解码器在此阶段压缩数据 |
mapreduce.output.fileoutputformat.compress | false | reducer 输出 | 这个参数设为true 启用压缩 |
mapreduce.output.fileoutputformat.compress.codec | org.apache.hadoop.io.compress.DefaultCodec | reducer 输出 | 使用标准工具或者编解码器,如gzip 和bzip2 |
mapreduce.output.fileoutputformat.compress.type | RECORD | reducer 输出 | SequenceFile 输出使用的压缩类型:NONE 和BLOCK |
2、开启 Map 输出阶段压缩(MR 引擎)
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
- 开启
Hive
中间传输数据压缩功能
set hive.exec.compress.intermediate=true;
- 开启
mapreduce
中Map
输出压缩功能
set mapreduce.map.output.compress=true;
- 设置
mapreduce
中Map
输出数据的压缩方式
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
- 开启
Hive
最终输出数据压缩功能
set hive.exec.compress.output=true;
- 开启
mapreduce
最终输出数据压缩
set mapreduce.output.fileoutputformat.compress=true;
- 设置
mapreduce
最终数据输出压缩方式
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
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、文件存储格式
Hive
支持的存储数据的格式主要有:TEXTFILE
、SEQUENCEFILE
、ORC
、PARQUET
。
4.1、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。
- 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。
4.2、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, 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。
4.3、rc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 Stripe
一般为 HDFS
。
的块大小,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。
4.4、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。
- 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。 - 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。 - 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。Parquet
文件的格式。
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。
4.5、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。 存储文件的压缩比测试:
- 测试数据
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/hive/datas/log.data' into table log_text;
-
查看表中数据大小
dfs -du -h /user/hive/warehouse/log_text;
18.13 M /user/hive/warehouse/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 tblproperties("orc.compress"="NONE"); -- 设置 orc 存储不使用压缩
-
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/log_orc/ ;
7.7 M /user/hive/warehouse/log_orc/000000_0
-
Request
-
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'
-
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/log_parquet/;
13.1 M /user/hive/warehouse/log_parquet/000000_0
-
存储文件的对比总结
ORC > Parquet> textFile
,存储文件的查询速度测试:
-
TextFile
insert overwrite local directory '/opt/module/data/log_text' select substring(url,1,4) from log_text;
-
ORC
insert overwrite local directory '/opt/module/data/log_orc' select substring(url,1,4) from log_orc;
-
Parquet
insert overwrite local directory '/opt/module/data/log_parquet' select substring(url,1,4) from log_parquet;
存储文件的查询速度总结:查询速度相近。
5、存储和压缩结合
5.1、测试存储和压缩
ORC 存储方式的压缩:
Key | Default | Notes |
orc.compress | ZLIB | high level compression (one of NONE, ZLIB, SNAPPY) |
orc.compress.size | 262,144 | number of bytes in each compression chunk |
orc.stripe.size | 268,435,456 | number of bytes in each stripe |
orc.row.index.stride | 10,000 | number of rows between index entries (must be >= 1000) |
orc.create.index | true | whether to create row indexes |
orc.bloom.filter.columns | “” | comma separated list of column names for which bloom filter should be created |
orc.bloom.filter.fpp | 0.05 | false positive probability for bloom filter (must >0.0 and <1.0) |
所有关于 ORCFile
的参数都是在 HQL
语句的 TBLPROPERTIES
字段里面出现。
-
创建一个
ZLIB
压缩的ORC
存储方式-
建表语句
create table log_orc_zlib (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
-
插入数据
insert into log_orc_zlib select * from log_text;
-
查看插入后数据
dfs -du -h /user/hive/warehouse/log_orc_zlib/ ;
2.78 M /user/hive/warehouse/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, 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 log_parquet_snappy select * from log_text;
-
查看插入后数据
dfs -du -h /user/hive/warehouse/log_orc_snappy/;
3.75 M /user/hive/warehouse/log_orc_snappy/000000_0
ZLIB
比Snappy
压缩的还小。原因是**ZLIB
采用的是deflate
**压缩算法。比snappy
压缩的压缩率高。
-
-
创建一个
SNAPPY
压缩的parquet
存储方式-
建表语句
create table log_parquet_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 parquet
-
插入数据
insert into log_parquet_snappy select * from log_text;
-
查看插入后数据
dfs -du -h /user/hive/warehouse/log_parquet_snappy/;
6.39 MB /user/hive/warehouse/ log_parquet_snappy /000000_0
-
-
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lzo
,snappy
。