关于hive:hive压缩和列式存储

Hadoop 压缩配置

MR 反对的压缩编码

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）：

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：orc或parquet。压缩形式个别抉择snappy，lzo。