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 | 无 | DEFAULT | .deflate | 否 | org.apache.hadoop.io.compress.DefaultCodec | ||||
| Gzip | gzip | DEFAULT | .gz | 否 | org.apache.hadoop.io.compress.GzipCodec | gzip | 8.3GB | 1.8GB | 17.5MB/s |
| bzip2 | bzip2 | bzip2 | .bz2 | 是 | org.apache.hadoop.io.compress.BZip2Codec | bzip2 | 8.3GB | 1.1GB | 2.4MB/s |
| LZO | lzop | LZO | .lzo | 是 | com.hadoop.compression.lzo.LzopCodec | LZO | 8.3GB | 2.9GB | 49.3MB/s |
| Snappy | 无 | Snappy | .snappy | 否 | 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：orc或parquet。压缩形式个别抉择snappy，lzo。