CC00023.hadoop——|Hadoop&Hive.V23|——|Hive.v23|Hive存储机制之行列存储及TextFile.v01|

一、数据存储格式

~~~     [Hive存储机制之行列存储及TextFile]
~~~     [Hive存储机制ORC]
~~~     [Hive存储机制之Parquet]
~~~     [Hive元数据之文件格式对比]

### --- 数据存储格式

~~~     Hive支持的存储数的格式主要有：TEXTFILE(默认格式) 
~~~     SEQUENCEFILE、RCFILE、ORCFILE、PARQUET。
~~~     textfile为默认格式，建表时没有指定文件格式，则使用TEXTFILE，
~~~     导入数据时会直接把数据文件拷贝到hdfs上不进行处理；
~~~     sequencefile，rcfile，orcfile格式的表不能直接从本地文件导入数据，
~~~     数据要先导入到textfile格式的表中， 然后再从表中用insert导入sequencefile、rcfile、orcfile表中。

### --- 行存储与列存储
~~~     行式存储下一张表的数据都是放在一起的，但列式存储下数据被分开保存了。

### --- 行式存储：
~~~     优点：数据被保存在一起，insert和update更加容易
~~~     缺点：选择(selection)时即使只涉及某几列，所有数据也都会被读取

### --- 列式存储：

~~~     优点：查询时只有涉及到的列会被读取，效率高
~~~     缺点：选中的列要重新组装，insert/update比较麻烦
~~~     TEXTFILE、SEQUENCEFILE 的存储格式是基于行存储的；ORC和PARQUET 是基于列式存储的。

### --- TextFile

~~~     Hive默认的数据存储格式，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。

~~~     # 登入数据库

[root@linux122 bin]# pwd
/opt/yanqi/servers/hive-2.3.7/bin
[root@linux122 bin]# ./beeline 
beeline> !connect jdbc:hive2://linux123:10000
0: jdbc:hive2://linux123:10000>

~~~     # 建表

0: jdbc:hive2://linux123:10000>  create table if not exists uaction_text(
userid string,
itemid string,
behaviortype int,
geohash string,
itemcategory string,
time string)
row format delimited fields terminated by ','
stored as textfile;

~~~     # 导入数据
0: jdbc:hive2://linux123:10000> !sh ls /home/hadoop/data
useraction.dat

~~~     # 文件应该放在HiveServer2所在的位置
[root@linux123 data]# scp root@linux122:/home/hadoop/data/useraction.dat .

0: jdbc:hive2://linux123:10000> load data local inpath '/home/hadoop/data/uaction.dat' 
overwrite into table uaction_text;

### --- SEQUENCEFILE

~~~     SequenceFile是Hadoop API提供的一种二进制文件格式，
~~~     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。

### --- RCFile

~~~     RCFile全称Record Columnar File，列式记录文件，是一种类似于SequenceFile的键值对数据文件。
~~~     RCFile结合列存储和行存储的优缺点，是基于行列混合存储的RCFile。
~~~     RCFile遵循的“先水平划分，再垂直划分”的设计理念。
~~~     先将数据按行水平划分为行组，这样一行的数据就可以保证存储在同一个集群节点；
~~~     然后在对行进行垂直划分。

### --- 一张表可以包含多个HDFS block
~~~     在每个block中，RCFile以行组为单位存储其中的数据
~~~     row group又由三个部分组成
~~~     用于在block中分隔两个row group的16字节的标志区
~~~     存储row group元数据信息的header
~~~     实际数据区，表中的实际数据以列为单位进行存储

### --- ORCFile

~~~     ORC File，它的全名是Optimized Row Columnar (ORC) file，
~~~     其实就是对RCFile做了一些优化，在hive 0.11中引入的存储格式。
~~~     这种文件格式可以提供一种高效的方法来存储Hive数据。
~~~     它的设计目标是来克服Hive其他格式的缺陷。
~~~     运用ORC File可以提高Hive的读、写以及处理数据的性能。

~~~     # ORC文件结构由三部分组成：
~~~     文件脚注(file footer)：包含了文件中 stripe 的列表，每个stripe行数，
~~~     以及每个列的数据类型。还包括每个列的最大、最小值、行计数、求和等信息
~~~     postscript：压缩参数和压缩大小相关信息
~~~     条带(stripe)：ORC文件存储数据的地方。在默认情况下，一个stripe的大小为250MB
~~~     Index Data：一个轻量级的index，默认是每隔1W行做一个索引。
~~~     包括该条带的一些统计信息，以及数据在stripe中的位置索引信息
~~~     Rows Data：存放实际的数据。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：存放stripe的元数据信息

### --- ORC在每个文件中提供了3个级别的索引：

~~~     文件级、条带级、行组级。借助ORC提供的索引信息能加快数据查找和读取效率，
~~~     规避大部分不满足条件的查询条件的文件和数据块。
~~~     使用ORC可以避免磁盘和网络IO的浪费，提升程序效率，提升整个集群的工作负载。

0: jdbc:hive2://linux123:10000>  create table if not exists uaction_orc(
userid string,
itemid string,
behaviortype int,
geohash string,
itemcategory string,
time string)
stored as orc;

0: jdbc:hive2://linux123:10000>  insert overwrite table uaction_orc select * from uaction_text;

### --- Parquet

~~~     Apache Parquet是Hadoop生态圈中一种新型列式存储格式，
~~~     它可以兼容Hadoop生态圈中大多数计算框架(Mapreduce、Spark等)，
~~~     被多种查询引擎支持(Hive、Impala、Drill等)，与语言和平台无关的。
~~~     Parquet文件是以二进制方式存储的，不能直接读取的，文件中包括实际数据和元数据，
~~~     Parquet格式文件是自解析的。

### --- Row group:

~~~     写入数据时的最大缓存单元
~~~     MR任务的最小并发单元
~~~     一般大小在50MB-1GB之间

### --- Column chunk：

~~~     存储当前Row group内的某一列数据
~~~     最小的IO并发单元

### --- Page：

~~~     压缩、读数据的最小单元
~~~     获得单条数据时最小的读取数据单元
~~~     大小一般在8KB-1MB之间，越大压缩效率越高

### --- Footer：

~~~     数据Schema信息
~~~     每个Row group的元信息：偏移量、大小
~~~     每个Column chunk的元信息：每个列的编码格式、首页偏移量、首索引页偏移量、个数、大小等信息

0: jdbc:hive2://linux123:10000>  create table if not exists uaction_parquet(
userid string,
itemid string,
behaviortype int,
geohash string,
itemcategory string,
time string)
stored as parquet;

0: jdbc:hive2://linux123:10000>  insert overwrite table uaction_parquet select * from
uaction_text;