关于hive当中表的存储和压缩方式总结

这几天研究hive表的存储方式和压缩模式。下面是原博主做的总结对比

自己实际测了下，orc+snappy目前至少在我的测试环境存储量并没有特别明显的降下来，但是读取数据做计算的速度提高了些。

hive表的存储

样例 ： 我的表：rp_person_house_loan_info

            数据总量：1933776

textfile：

  （1）hive数据表的默认格式，存储方式：行存储 。

  （2） 可使用Gzip,Bzip2等压缩算法压缩,压缩后的文件不支持split

上面的数据存储格式为textfile，文件没有压缩总的文件大小为160.1M。

SequenceFile

（1）Hadoop API提供的一种二进制文件，以<key,value>的形式序列化到文件中。存储方式：行存储。

（2）支持三种压缩选择：NONE，RECORD，BLOCK。Record压缩率低，一般建议使用BLOCK压缩。

（3）优势是文件和hadoop api中的MapFile是相互兼容的

上面数据的存储模式为sequencefile，总的文件大小为186.86M

 

RCFile

（1）存储方式：数据按行分块，每块按列存储。结合了行存储和列存储的优点：

（2）首先，RCFile 保证同一行的数据位于同一节点，因此元组重构的开销很低
（3）其次，像列存储一样，RCFile 能够利用列维度的数据压缩，并且能跳过不必要的列读取

 

 上面数据的存储模式为RCFile，总的文件大小为134.17M

 

ORCFile

• 存储方式：数据按行分块 每块按照列存储
• 压缩快 快速列存取
• 效率比rcfile高,是rcfile的改良版本

上面数据的存储模式为orc模式，同时启动了snappy的压缩模式，总的文件大小为34.48M 下面是orc 的snappy压缩的表结构：

 

 总结：

我们再建设数据仓库的时候，通常都是一次写入，多次读取
存储文件的大小的关系：
SequenceFile > TextFile > RCfile

TextFile 默认格式，加载速度最快，可以采用Gzip、bzip2等进行压缩，压缩后的文件无法split，即并行处理
SequenceFile 压缩率最低，查询速度一般，三种压缩格式NONE，RECORD，BLOCK
RCfile 压缩率最高，查询速度最快，数据加载最慢。
orc (snappy压缩模式) 查询速度更快

所以在数据仓库的建设过程当中尽量的使用orc的这种模式再加上压缩模式。一方面减少磁盘的使用量，一方面可以实现数据的split（分布式计算），实现查询速度加快。

建立orc的snappy压缩模式的建表语句如下：

CREATE TABLE IF NOT EXISTS rp_person_house_loan_info
    (
    loan_no varchar(20),
    if_me varchar(5)
    
    )
 ROW FORMAT DELIMITED
 FIELDS TERMINATED BY '\t'
 STORED AS orc tblproperties ("orc.compress"="SNAPPY");

对于其他的模式启动压缩的方式：

在插入之前对表的压缩模式进行设定
set hive.exec.compress.output=true;  
set mapred.output.compress=true;  
set mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec;  
set io.compression.codecs=org.apache.hadoop.io.compress.GzipCodec;