目录
Hadoop 压缩配置
MR 支持的压缩编码
压缩参数配置
Map 输出阶段压缩
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。
但实用性不高,因为Map阶段压缩后Reduce端还要解压。
步骤
- 开启 hive 中间传输数据压缩功能
hive (default)>set hive.exec.compress.intermediate=true;
- 开启 mapreduce 中 map 输出压缩功能
hive (default)>set mapreduce.map.output.compress=true;
- 设置 mapreduce 中 map 输出数据的压缩方式
hive (default)>set mapreduce.map.output.compress.codec= org.apache.hadoop.io.compress.SnappyCodec;
- 执行查询语句
hive (default)> select count(ename) name from emp;
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控制这个功能。用户保持默认设置文件中的默认值false,默认的输出就是非压缩的纯文本文件。
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。
步骤
- 开启 hive 最终输出数据压缩功能
hive (default)>set hive.exec.compress.output=true;
- 开启 mapreduce 最终输出数据压缩
hive (default)>set mapreduce.output.fileoutputformat.compress=true;
- 设置 mapreduce 最终数据输出压缩方式
hive (default)> 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
hive (default)> set
mapreduce.output.fileoutputformat.compress.type=BLOCK;
- 测试一下输出结果是否是压缩文件
hive (default)> insert overwrite local directory
‘/opt/module/data/distribute-result’ select * from emp distribute by deptno sort by empno desc;
文件存储格式
Hive 支持的存储数据的格式主要有:
行式存储:TEXTFILE 、SEQUENCEFILE、
列式存储:ORC、PARQUET。
行存储
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
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 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。
Orc 格式
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。
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。
存储和压缩结合
创建ZLIB 压缩的 ORC 存储方式
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
tblproperties(“orc.compress”=“ZLIB”);
创建SNAPPY 压缩的 ORC 存储方式
create table log_orc_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 orc
tblproperties(“orc.compress”=“SNAPPY”);
创建SNAPPY 压缩的 parquet 存储方式
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
tblproperties(“parquet.compression”=“SNAPPY”);
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 snappy,lzo。