关于hive:hive压缩和列式存储

32次阅读

共计 4043 个字符,预计需要花费 11 分钟才能阅读完成。

Hadoop 压缩配置

MR 反对的压缩编码

压缩格局 工具 算法 文件扩展名 是否可切分 对应的编码 / 解码器 压缩算法 原始文件大小 压缩文件大小 压缩速度
DEFAULT DEFAULT .deflate org.apache.hadoop.io.compress.DefaultCodec
Gzip gzip DEFAULT .gz org.apache.hadoop.io.compress.GzipCodec gzip 8.3GB 1.8GB 17.5MB/s
bzip2 bzip2 bzip2 .bz2 org.apache.hadoop.io.compress.BZip2Codec bzip2 8.3GB 1.1GB 2.4MB/s
LZO lzop LZO .lzo com.hadoop.compression.lzo.LzopCodec LZO 8.3GB 2.9GB 49.3MB/s
Snappy Snappy .snappy org.apache.hadoop.io.compress.SnappyCodec

压缩参数配置

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

参数 默认值 阶段 倡议
io.compression.codecs(在 core-site.xml 中配置) org.apache.hadoop.io.compress.DefaultCodec, org.apache.hadoop.io.compress.GzipCodec, org.apache.hadoop.io.compress.BZip2Codec,org.apache.hadoop.io.compress.Lz4Codec 输出压缩 Hadoop 应用文件扩展名判断是否反对某种编解码器
mapreduce.map.output.compress false mapper 输入 这个参数设为 true 启用压缩
mapreduce.map.output.compress.codec org.apache.hadoop.io.compress.DefaultCodec mapper 输入 应用 LZO、LZ4 或 snappy 编解码器在此阶段压缩数据
mapreduce.output.fileoutputformat.compress false reducer 输入 这个参数设为 true 启用压缩
mapreduce.output.fileoutputformat.compress.codec org.apache.hadoop.io.compress. DefaultCodec reducer 输入 应用规范工具或者编解码器,如 gzip 和 bzip2
mapreduce.output.fileoutputformat.compress.type RECORD reducer 输入 SequenceFile 输入应用的压缩类型:NONE 和 BLOCK

开启 Map 输入阶段压缩

开启 map 输入阶段压缩能够缩小 job 中 map 和 Reduce task 间数据传输量。具体配置如下:

案例实操:

1.开启 hive 两头传输数据压缩性能
hive (default)>set hive.exec.compress.intermediate=true;
2.开启 mapreduce 中 map 输入压缩性能
hive (default)>set mapreduce.map.output.compress=true;
3.设置 mapreduce 中 map 输入数据的压缩形式
hive (default)>set mapreduce.map.output.compress.codec=
 org.apache.hadoop.io.compress.SnappyCodec;
4.执行查问语句
hive (default)> select count(ename) name from emp;

开启 Reduce 输入阶段压缩

当 Hive 将输入写入到表中时,输入内容同样能够进行压缩。属性 hive.exec.compress.output 管制着这个性能。用户可能须要放弃默认设置文件中的默认值 false,这样默认的输入就是非压缩的纯文本文件了。用户能够通过在查问语句或执行脚本中设置这个值为 true,来开启输入后果压缩性能。

案例实操:

1.开启 hive 最终输入数据压缩性能

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

2.开启 mapreduce 最终输入数据压缩

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

3.设置 mapreduce 最终数据输入压缩形式

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

org.apache.hadoop.io.compress.SnappyCodec;

4.设置 mapreduce 最终数据输入压缩为块压缩

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

5.测试一下输入后果是否是压缩文件

hive (default)> insert overwrite local directory

‘/opt/module/datas/distribute-result’ select * from emp distribute by deptno sort by empno desc;

文件存储格局


Hive 反对的存储数的格局次要有:TEXTFILE、SEQUENCEFILE、ORC、PARQUET。

列式存储和行式存储


列式存储和行式存储
右边为逻辑表,左边第一个为行式存储,第二个为列式存储。

1.行存储的特点

查问满足条件的一整行数据的时候,列存储则须要去每个汇集的字段找到对应的每个列的值,行存储只须要找到其中一个值,其余的值都在相邻中央,所以此时行存储查问的速度更快。

2.列存储的特点

因为每个字段的数据汇集存储,在查问只须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肯定是雷同的,列式存储能够针对性的设计更好的设计压缩算法。

TEXTFILE 和 SEQUENCEFILE 的存储格局都是基于行存储的;

ORC 和 PARQUET 是基于列式存储的。

TextFile 格局

默认格局,数据不做压缩,磁盘开销大,数据解析开销大。可联合 Gzip、Bzip2 应用,但应用 Gzip 这种形式,hive 不会对数据进行切分,从而无奈对数据进行并行操作。

Orc 格局

Orc (Optimized Row Columnar)是 Hive 0.11 版里引入的新的存储格局。

如图 6 -11 所示能够看到每个 Orc 文件由 1 个或多个 stripe 组成,每个 stripe250MB 大小,这个 Stripe 理论相当于 RowGroup 概念,不过大小由 4MB->250MB,这样应该能晋升程序读的吞吐率。每个 Stripe 里有三局部组成,别离是 Index Data,Row Data,Stripe Footer:

Orc 格局

  • Index Data:一个轻量级的 index,默认是每隔 1W 行做一个索引。这里做的索引应该只是记录某行的各字段在 Row Data 中的 offset。
  • Row Data:存的是具体的数据,先取局部行,而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:存的是各个 Stream 的类型,长度等信息。

每个文件有一个 File Footer,这外面存的是每个 Stripe 的行数,每个 Column 的数据类型信息等;每个文件的尾部是一个 PostScript,这外面记录了整个文件的压缩类型以及 FileFooter 的长度信息等。在读取文件时,会 seek 到文件尾部读 PostScript,从外面解析到 File Footer 长度,再读 FileFooter,从外面解析到各个 Stripe 信息,再读各个 Stripe,即从后往前读。

Parquet 格局

Parquet 是面向剖析型业务的列式存储格局,由 Twitter 和 Cloudera 合作开发,2015 年 5 月从 Apache 的孵化器里毕业成为 Apache 顶级我的项目。
Parquet 文件是以二进制形式存储的,所以是不能够间接读取的,文件中包含该文件的数据和元数据,因而 Parquet 格式文件是自解析的。
通常状况下,在存储 Parquet 数据的时候会依照 Block 大小设置行组的大小,因为个别状况下每一个 Mapper 工作解决数据的最小单位是一个 Block,这样能够把每一个行组由一个 Mapper 工作解决,增大工作执行并行度。Parquet 文件的格局如图所示。

Parquet 格局

上图展现了一个 Parquet 文件的内容,一个文件中能够存储多个行组,文件的首位都是该文件的 Magic Code,用于校验它是否是一个 Parquet 文件,Footer length 记录了文件元数据的大小,通过该值和文件长度能够计算出元数据的偏移量,文件的元数据中包含每一个行组的元数据信息和该文件存储数据的 Schema 信息。除了文件中每一个行组的元数据,每一页的开始都会存储该页的元数据,在 Parquet 中,有三种类型的页:数据页、字典页和索引页。数据页用于存储以后行组中该列的值,字典页存储该列值的编码字典,每一个列块中最多蕴含一个字典页,索引页用来存储以后行组下该列的索引,目前 Parquet 中还不反对索引页。

存储文件的压缩比总结:

从存储文件的压缩比和查问速度两个角度比照。
ORC >  Parquet >  textFile
存储文件的查问速度总结:查问速度相近。

存储和压缩联合


批改 Hadoop 集群具备 Snappy 压缩形式

批改 Hadoop 集群具备 Snappy 压缩形式

存储形式和压缩总结

在理论的我的项目开发当中,hive 表的数据存储格局个别抉择:orcparquet。压缩形式个别抉择snappylzo

正文完
 0