Hive学习笔记 --- ORCFile介绍

ORC File，它的全名是Optimized Row Columnar (ORC) file，其实就是对RCFile做了一些优化。据官方文档介绍，
这种文件格式可以提供一种高效的方法来存储Hive数据。它的设计目标是来克服Hive其他格式的缺陷。

运用ORC File可以提高Hive的读、写以及处理数据的性能。

和RCFile格式相比，ORC File格式有以下优点：
　　(1)、每个task只输出单个文件，这样可以减少NameNode的负载；
　　(2)、支持各种复杂的数据类型，比如： datetime, decimal, 以及一些复杂类型(struct, list, map, and union)；
　　(3)、在文件中存储了一些轻量级的索引数据；
　　(4)、基于数据类型的块模式压缩：a、integer类型的列用行程长度编码(run-length encoding);b、String类型的列用字典编码(dictionary encoding)；
　　(5)、用多个互相独立的RecordReaders并行读相同的文件；
　　(6)、无需扫描markers就可以分割文件；
　　(7)、绑定读写所需要的内存；
　　(8)、metadata的存储是用 Protocol Buffers的，所以它支持添加和删除一些列。

ORC File包含一组组的行数据，称为stripes，除此之外，ORC File的file footer还包含一些额外的辅助信息。
在ORC File文件的最后，有一个被称为postscript的区，它主要是用来存储压缩参数及压缩页脚的大小。
在默认情况下，一个stripe的大小为250MB。大尺寸的stripes使得从HDFS读数据更高效。
在file footer里面包含了该ORC File文件中stripes的信息，每个stripe中有多少行，以及每列的数据类型。
当然，它里面还包含了列级别的一些聚合的结果，比如：count, min, max, and sum。

下图显示出可ORC File文件结构：

Stripc结构：

从上图我们可以看出，每个Stripe都包含index data、row data以及stripe footer。
Stripe footer包含流位置的目录；Row data在表扫描的时候会用到。Index data包含
每列的最大和最小值以及每列所在的行。行索引里面提供了偏移量，它可以跳到正确的
压缩块位置。具有相对频繁的行索引，使得在stripe中快速读取的过程中可以跳过很多行，
尽管这个stripe的大小很大。在默认情况下，最大可以跳过10000行。拥有通过过滤谓词而
跳过大量的行的能力，你可以在表的 secondary keys 进行排序，从而可以大幅减少执行时
间。比如你的表的主分区是交易日期，那么你可以对次分区（state、zip code以及last name）进行排序。

如何在Hive中使用ORCFile格式：

在建Hive表的时候我们就应该指定文件的存储格式。所以你可以在Hive QL语句里面指定用ORCFile这种文件格式，如下：


CREATE TABLE ... STORED AS ORC
 
ALTER TABLE ... [PARTITION partition_spec] SET FILEFORMAT ORC
 
SET hive.default.fileformat=Orc

下面的例子是建立一个没有启用压缩的ORCFile的表


create table Addresses (
  name string,
  street string,
  city string,
  state string,
  zip int
) stored as orc tblproperties ("orc.compress"="NONE");