Hive 3.x|第九天|压缩和存储

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

1. 开启 hive 中间传输数据压缩功能

hive (default)>set hive.exec.compress.intermediate=true;

2. 开启 mapreduce 中 map 输出压缩功能

hive (default)>set mapreduce.map.output.compress=true;

3. 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;

4. 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

1. 开启 hive 最终输出数据压缩功能

hive (default)>set hive.exec.compress.output=true;

2. 开启 mapreduce 最终输出数据压缩

hive (default)>set mapreduce.output.fileoutputformat.compress=true;

3. 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;

4. 设置 mapreduce 最终数据输出压缩为块压缩

hive (default)> set
mapreduce.output.fileoutputformat.compress.type=BLOCK;

5. 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。

1. 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。
2. 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。
3. 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。