hive中的存储方式

之前在进行存储空间统计的时候发现ORC格式可以节省很多存储空间，于是上网查了一些这个格式的相关信息。有兴趣详细了解的可以参考这个网站上的介绍https://www.iteblog.com/archives/1014.html

Hive的存储格式主要有：

1.textfile

Hive的默认存储格式

存储方式：行存储

磁盘开销大数据解析开销大

压缩的text文件 hive无法进行合并和拆分

2.SequenceFile

二进制文件以key,value的形式序列化到文件中

存储方式：行存储

可分割压缩

一般选择block压缩

优势是文件和Hadoop api中的mapfile是相互兼容的

3.rcfile

存储方式：数据按行分块每块按照列存储

压缩快快速列存取

读记录尽量涉及到的block最少

读取需要的列只需要读取每个row group 的头部定义。

读取全量数据的操作性能可能比sequencefile没有明显的优势

4.orc

存储方式：数据按行分块每块按照列存储

压缩快快速列存取

效率比rcfile高,是rcfile的改良版本

5.自定义格式

用户可以通过实现inputformat和 outputformat来自定义输入输出格式

 

Hive导入数据的几种方式:

1.从本地文件系统中导入

load data local inpath 'customer .data'into table customer;

2.从HDFS上导入

load data inpath '/hive/customer .data'into table customer;

3.从别的表中查询出相应的数据导入

insert into table customer select * fromcustomer_tmp;

我们在做存储评估的时候，因为textfile类型的数据不能直接保存到orc类型的表中,根据上面的几种导入数据的方式我们做一下转换就可以了,先导入到一个textfile类型的表中然后在通过查询导入到另外一个表就可以了

drop table if existsdata.test_pa_merchant_info1;

create external tabledata.test_pa_merchant_info1

(…)

row format delimited fields terminated by'\t' lines terminated by '\n' stored AS orc;

INSERT OVERWRITE TABLEtest_pa_merchant_info1 

SELECT * FROM test_pa_merchant_info;