Hive（八）数据压缩和数据存储格式

 

一，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，例如在map端产生的数据进行压缩或在reduce端产生的数据也进行压缩后再输出。这样可以节省我们的网络带宽。

　　1.1 MR支持的压缩编码

　　　　

 　　　为了支持多种压缩/解压缩算法，Hadoop引入了编码/解码器，如下表所示：

　　

 　　压缩性能的比较：

　　

 　　而Snappy的压缩效率是最高的：官网上有这么一句话，不过本人尚未测试。

　　On a single core of a Core i7 processor in 64-bit mode, Snappy compresses at about 250 MB/sec or more and decompresses at about 500 MB/sec or more.

　　1.2 压制配置参数

　　

　　1.3 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。具体配置如下：注意这些配置可以直接在hive-site.xml和mapred-site.xml配置文件中配置。

　　实例操作：

 　　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(1) from score;

　　1.4 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。

　　实际操作：

　　1）开启hive最终输出数据压缩功能

set hive.exec.compress.output=true // 默认值是false 可以直接set hive.exec.comperss.output;查看

　　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;

　　可以在snappy中找到一个文件是压缩过后的文件，文件打开是一系列的字节码。

二，Hive的数据存储格式

　　Hive支持的存储数的格式主要有：TEXTFILE（行式存储） 、SEQUENCEFILE(行式存储)、ORC（列式存储）、PARQUET（列式存储）。 

　　2.1 列式存储和行式存储

　　

　　上图左边为逻辑表，右边第一个为行式存储，第二个为列式存储。

　　行存储的特点： 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。

　　列存储的特点： 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和SEQUENCEFILE的存储格式都是基于行存储的；
ORC和PARQUET是基于列式存储的

　　2.2 常用的数据存储格式

　　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.

　　ORC格式

　　Orc (Optimized Row Columnar)是hive 0.11版里引入的新的存储格式。如下图：

　　

　　可以看到每个Orc文件由1个或多个stripe组成，每个stripe250MB大小，每个Stripe里有三部分组成，分别是Index Data,Row Data,Stripe Footer：

[indexData]()：某些列的索引数据
[rowData]() :真正的数据存储
[StripFooter]()：stripe的元数据信息

　　PARQUET格式

　　Parquet是面向分析型业务的列式存储格式，由Twitter和Cloudera合作开发，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。

　　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。Parquet文件的格式如下图所示。

　　

三，文件存储格式和压缩的结合

　　3.1 压缩比和查询速度对比

　　TextFile

　　（1）创建表，存储数据格式为TEXTFILE

create table log_text (
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 '	'
STORED AS TEXTFILE ; // 指定存储格式

　　（2）向表中加载数据

load data local inpath '/export/servers/hivedatas/log.data' into table log_text ;

　　（3）查看表中数据大小

　　源文件大小：

　　

 　　上传到hdfs表目录下的大小：

　　

　　ORC

　　（1）创建表，存储数据格式为ORC

create table log_orc(
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 '	'
STORED AS orc ; // 指定为orc

　　（2）向表中加载数据

insert into table log_orc select * from log_text ;

　　（3）查看表中数据大小

 　　这里就很明显的看出来了ORC进行比较大的压缩。我这里就不一一列举，其他可自己尝试。

　　压缩结论：压缩比

　　ORC > Parquet > textFile

　　4)存储文件的查询速度测试：

1）TextFile

hive (default)> select count(*) from log_text;

Time taken: 21.54 seconds, Fetched: 1 row(s)

2）ORC

hive (default)> select count(*) from log_orc;

Time taken: 20.867 seconds, Fetched: 1 row(s)

3）Parquet

hive (default)> select count(*) from log_parquet;

Time taken: 22.922 seconds, Fetched: 1 row(s)

　　结论：

　　存储文件的查询速度总结：

　　ORC > TextFile > Parquet

　　3.2 ORC存储指定压缩格式

　　在建表的时候我们不仅可以指定存储格式，还可以指定压缩方式：

　　如下：

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 '	'
STORED AS orc tblproperties ("orc.compress"="SNAPPY");

　　压缩后再看数据的大小：比没压缩的大，是因为这里是小文件，所以在小文件不要进行压缩。

　　

 　　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。