hive的数据压缩

在实际工作当中，hive当中处理的数据，一般都需要经过压缩，前期我们在学习hadoop的时候，已经配置过hadoop的压缩，我们这里的hive也是一样的可以使用压缩来节省我们的MR处理的网络带宽

1.MR支持的压缩编码

压缩格式		工具		算法		文件扩展名	是否可切分

DEFAULT		 无	   DEFAULT	 DEFAULT	   否
Gzip		gzip   DEFAULT   .gz		   否
bzip2       bzip2   bzip2    .bz2          是
LZO         lzop    LZO      .lzo          否
LZ4			无  	LZ4		 .lz4          否
Snappy      无	    Snappy   .snappy	   否

为了支持多种压缩/解压缩算法，Hadoop引入了编码/解码器：

压缩格式	对应的编码/解码器
DEFLATE	org.apache.hadoop.io.compress.DefaultCodec
gzip	org.apache.hadoop.io.compress.GzipCodec
bzip2	org.apache.hadoop.io.compress.BZip2Codec
LZO	com.hadoop.compression.lzo.LzopCodec
LZ4	org.apache.hadoop.io.compress.Lz4Codec
Snappy	org.apache.hadoop.io.compress.SnappyCodec

压缩性能的比较：

压缩算法		原始文件大小		压缩文件大小		压缩速度		解压速度
gzip		  8.3GB			  1.8GB			17.5MB/s	 58MB/s
bzip2		  8.3GB			  1.1GB			2.4MB/s		 9.5MB/s
LZO		  	  8.3GB			  2.9GB			49.3MB/s	 74.6MB/s

2.压缩配置参数

要在Hadoop中启用压缩，可以配置如下参数（mapred-site.xml文件中）：

3.通过Hive Shell开启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。

案例：

1.开启hive中间传输数据压缩功能：
set hive.exec.compress.intermediate=true;

2.开启mapreduce中map输出压缩功能：
set mapreduce.map.output.compress=true;

3.设置mapreduce中map输出数据的压缩方式：
set  mapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.SnappyCodec;

4.执行查询语句：
select count(*) from score;

4.开启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控制着这个功能。用户可能需要保持默认设置文件中的默认值false，这样默认的输出就是非压缩的纯文本文件了。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。

案例：

1.开启hive最终输出数据压缩功能
set hive.exec.compress.output=true;
2.开启mapreduce最终输出数据压缩
set mapreduce.output.fileoutputformat.compress=true;
3.设置mapreduce最终数据输出压缩方式
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
set mapreduce.output.fileoutputformat.compress.type=BLOCK;
5.测试一下输出结果是否是压缩文件
insert overwrite local directory '/export/servers/snappy' select * from score distribute by s_id sort by s_id desc;