hive储存与压缩

Posted 2022-11-30 Z-hhhhh

​ Hive支持的储存格式主要有：textfile(行列存储)、sequencefile(行列存储)、ORC(列式存储)、parquet(列式存储)

1.1、行式存储和列式存储

​ 左图为逻辑表，右边第一个为行式存储，第二个为列式存储

**行式存储的特点：**查询满足条件的一整行数据的时候，列存储需要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，其余的值都在相邻的地方，所以此时行存储查询的速度更快。 select * 效率高 。

**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，列式存储可以针对性的设计更好的设计压缩算法。select某些字段效率更高。

1.2、textfile

​ 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(系统会自动检查，执行查询时自动解压)，但使用这种方式，hive不会对数据进行切分，从而无法对数据进行切分，从而无法对数据进行并行操作。

1.3、ORC格式

​ Orc (Optimized Row Columnar)是hive 0.11 版里引入的新的存储格式。可以看到每个Orc 文件由1 个或多个stripe 组成，每个stripe250MB 大小，这个Stripe 实际相当于RowGroup 概念，不过大小由4MB->250MB，这样能提升顺序读的吞吐率。每个Stripe 里有三部分组成，分别是Index Data,Row

1. ​ Index Data: 是一个轻量级的index，默认是每个1W行做一个索引。这里做的索引只是记录某行的各字段在Row Data中的offset。

2. ​ Row Data:存的是具体的数据，先取部分行，然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。

3. ​ Stripe Footer:存的是各个stripe的元数据信息。

   每个文件有一个File Footer，这里面存的是每个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，这里面记录了整个文
   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，从里面解析到File Footer 长度，再读FileFooter，从里面
   解析到各个Stripe 信息，再读各个Stripe，即从后往前读。

1.4、parquet格式

​ 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。

上图展示了一个Parquet文件的内容，一个文件中可以存储多个行组，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，通过该值和文件的长度可以计算元数据的偏移量，文件的元数据中包括每一个行组额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。数据页用于存储当前行组中该列的值，字典页存储该列的编码字典，每一个列块中最多包含一个字典页，索引页用来存储当前行组下该列的索引，目前Parquet中还不支持引页。

二、Hive压缩格式

2.1、hadoop中的压缩

hive在处理时，一般都需要经过压缩。在配置hadoop时，已经配置了压缩，hive也是可以使用这些压缩来节省MR处理的网络宽带。

mr支持的压缩格式

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	是(需要手动加索引)
LZ4	无	LZ4	.lz4	否
Snappy	无	Snappy	.snappy	否

BZip2压缩率最高，但是需要消耗最多的CPU，且压缩/解压速度慢。

GZip是压缩率和压缩/解压速度都是中等。

LZO和Snappy压缩率相比前面两个要小，但是压缩和解压很快。

2.2、hive配置压缩方式

####map端得压缩方式
# 开启hive中间传输数据压缩功能
set hive.exec.compress.intermediate=true;
# 开启mapredcue中map输出压缩功能
set mapreduce.map.output.compress=true;
# 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;


#### 开启reduce压缩方式
# 开启hive最终数据数据压缩功能
set hive.exec.compress.output=true;
# 开启mapreduce最终输出数据压缩
set mapreduce.output.fileoutputformat.compress=true;
# 设置mapreduce最终数据数据压缩方式
set mapreduce.output.fileoutputformat.compress.codec = org.apache.hadoop.io.compress.SnappyCodec;
# 设置mapreduce之中数据输出压缩为块压缩
set mapreduce.output.fileoutputformat.compress.type=BLOCK;

2.3、结论

数据压缩比结论

ORC > Parquet > textFile

存储文件的查询效率比较:

ORC > TextFile > Parquet