hive文件存储格式

hive在建表是，可以通过‘STORED AS FILE_FORMAT’ 指定存储文件格式
例如：

[plain]  view plain copy

1. > CREATE EXTERNAL TABLE MYTEST(num INT, name STRING)  
2. > ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'  
3. > STORED AS TEXTFILE  
4. > LOCATION '/data/test';  

指定文件存储格式为“TEXTFILE”。

hive文件存储格式包括以下几类：

• TEXTFILE
• SEQUENCEFILE
• RCFILE
• 自定义格式

TEXTFIEL
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（系统自动检查，执行查询时自动解压），但使用这种方式，hive不会对数据进行切分，从而无法对数据进行并行操作。
实例：

[plain]  view plain copy

1. > create table test1(str STRING)  
2. > STORED AS TEXTFILE;   
3. OK  
4. Time taken: 0.786 seconds  
5. #写脚本生成一个随机字符串文件，导入文件：  
6. > LOAD DATA LOCAL INPATH '/home/work/data/test.txt' INTO TABLE test1;  
7. Copying data from file:/home/work/data/test.txt  
8. Copying file: file:/home/work/data/test.txt  
9. Loading data to table default.test1  
10. OK  
11. Time taken: 0.243 seconds  

SEQUENCEFILE:
SequenceFile是Hadoop API提供的一种二进制文件支持，其具有使用方便、可分割、可压缩的特点。
SequenceFile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。
示例：

[plain]  view plain copy

1. > create table test2(str STRING)  
2. > STORED AS SEQUENCEFILE;  
3. OK  
4. Time taken: 5.526 seconds  
5. hive> SET hive.exec.compress.output=true;  
6. hive> SET io.seqfile.compression.type=BLOCK;  
7. hive> INSERT OVERWRITE TABLE test2 SELECT * FROM test1;  

RCFILE
RCFILE是一种行列存储相结合的存储方式。首先，其将数据按行分块，保证同一个record在一个块上，避免读一个记录需要读取多个block。其次，块数据列式存储，有利于数据压缩和快速的列存取。RCFILE文件示例：

实例：

[plain]  view plain copy

1. > create table test3(str STRING)  
2. > STORED AS RCFILE;  
3. OK  
4. Time taken: 0.184 seconds  
5. >  INSERT OVERWRITE TABLE test3 SELECT * FROM test1;  

自定义格式
当用户的数据文件格式不能被当前 Hive 所识别的时候，可以自定义文件格式。
用户可以通过实现 inputformat和outputformat来自定义输入输出格式，参考代码：
.\hive-0.8.1\src\contrib\src\java\org\apache\hadoop\hive\contrib\fileformat\base64
实例：
建表

[plain]  view plain copy

1. > create table test4(str STRING)  
2. > stored as  
3. > inputformat 'org.apache.hadoop.hive.contrib.fileformat.base64.Base64TextInputFormat'  
4. > outputformat 'org.apache.hadoop.hive.contrib.fileformat.base64.Base64TextOutputFormat';  

$ cat test1.txt 
aGVsbG8saGl2ZQ==
aGVsbG8sd29ybGQ=
aGVsbG8saGFkb29w
test1文件为base64编码后的内容，decode后数据为：
hello,hive
hello,world
hello,hadoop
load数据并查询：

[plain]  view plain copy

1. hive> LOAD DATA LOCAL INPATH '/home/work/test1.txt' INTO TABLE test4;   
2. Copying data from file:/home/work/test1.txt  
3. Copying file: file:/home/work/test1.txt  
4. Loading data to table default.test4  
5. OK  
6. Time taken: 4.742 seconds  
7. hive> select * from test4;  
8. OK  
9. hello,hive  
10. hello,world  
11. hello,hadoop  
12. Time taken: 1.953 seconds  

总结：
相比TEXTFILE和SEQUENCEFILE，RCFILE由于列式存储方式，数据加载时性能消耗较大，但是具有较好的压缩比和查询响应。数据仓库的特点是一次写入、多次读取，因此，整体来看，RCFILE相比其余两种格式具有较明显的优势。

reference：
Hive Data Definition Language
浅谈hadoop文件格式
Facebook数据仓库揭秘：RCFile高效存储结构