Hive数据仓库ODS层数据存储设计

• 软件环境

Hadoop 2.6.0-cdh5.9.0
Hive 1.1.0-cdh5.9.0
Zookeeper 3.4.5-cdh5.9.0

• 需求背景

数据来源是将8台服务器日志各自压缩成*.gz(8个gz文件)后，按天和小时分区传入到HDFS上，然后通过创建Hive ODS外部表加载到表对应分区，这样一天下来会生产192个gz文件，gz文件是不能进行切分所以查询一天则会产生192个Map数，导致后结数据处理性能与资源占用都比较大。需要进行优化>如下几点：

1. 存储后数据可切分
2. 数据存储压缩率高
3. 数据加载速度要快

• 技术方案

1. 通过创建TTexfFile存储格式ODS临时表外部表，将HDFS上的文件目录映射到外部表

create table temp.TempTableName(
 col1 string comment 'col1'
,col2 string comment 'col2' 
) partitioned by (p_dt string, p_hours string)
row format serde 'org.openx.data.jsonserde.JsonSerDe'
with serdeproperties ("ignore.malformed.json"="true")
stored as textfile
;

Alter table temp.TempTableName add partition (p_dt='20141101',p_hours='00') location '/ods/TempTableName/20141101/00';

2. 在ODS层创建ORC存储格式相应的表，将临时外部表数据插入到ODS表

create table ods.TableName(
 col1 string comment 'col1'
,col2 string comment 'col2' 
) partitioned by (p_dt string, p_hours string)
stored as orc
;
insert overwrite table TableName partition(p_dt='20141101',p_hours='00')
select * from TempTableName where p_dt='20141101' and p_hours='00'

3. 数据导入完闭，后续基本ODS进行操作即可

ss

• 方案优点

1. 数据可分割
2. 数据压缩率90%左右

• 方案缺点

1. 性能比以前慢(如是ODS只操作一次建议不采用此方案)
2. 维护成本提高

• 文章参考
  https://cwiki.apache.org/confluence/display/Hive/CompressedStorage

---