Hive的几种常见的压缩格式
一.测试背景
工作中想把历史的结构化数据到Hive中进行查询，由于数据较大，需要进行压缩，
根据Hive官方提供的几种压缩格式分别进行写入，读取，OLAP计算的性能测试，
以求找到最好的压缩格式。
二.测试方法概述
1、数据来源：采用生产上数据抽样，大小为100G。原始日志格式为textfile文件（标准JSON）。
2、测试平台：公司Ambari测试平台，物理内存100G。
3、测试方法：将textfile文件通过脚本自动录入到Hive里，形成大表。（注：解析JSON数据的serde使用 hdp hive自带的hive-hcatalog-core.jar 里面的org.apache.hive.hcatalog.data.JsonSerDe类）
4、从大表创建基于各种不同存储方式的分区表。
5、核心组件HDP版本选择
三.实际操作
1.建立大表js_data
CREATE TABLE IF NOT EXISTS data_ysz.js_data (referer STRING,ip STRING,
articleId STRING,catalogCode STRING, userAgent STRING,sessionId STRING,
title STRING,deviceId STRING,url STRING,visitTime STRING,catalogId STRING,
atype STRING,domain STRING,action STRING,visitDate STRING)
ROW FORMAT SERDE 'org.apache.hive.hcatalog.data.JsonSerDe';
2.装载数据到js_data
load data inpath '' into table js_data
3.根据大表建立不同存储方式的分区表（依次为RCfile,ORC,sequencefile,parquet,Avro）
Create table js_data_partitioned_rcfile(referer STRING,ip STRING,articleId STRING,catalogCode STRING,
userAgent STRING,sessionId STRING,title STRING,deviceId STRING,url STRING,visitTime STRING,catalogId STRING,
atype STRING,domain STRING,action STRING) PARTITIONED BY (visitDate STRING) STORED AS RCfile
Create table js_data_partitioned_orc(referer STRING,ip STRING,articleId STRING,catalogCode STRING,
userAgent STRING,sessionId STRING,title STRING,deviceId STRING,url STRING,visitTime STRING,catalogId STRING,
atype STRING,domain STRING,action STRING)PARTITIONED BY (visitDate STRING) STORED AS ORC
Create table js_data_partitioned_sequencefile(referer STRING,ip STRING,articleId STRING,catalogCode STRING,
userAgent STRING,sessionId STRING,title STRING,deviceId STRING,url STRING,visitTime STRING,catalogId STRING,
atype STRING,domain STRING,action STRING) PARTITIONED BY (visitDate STRING) STORED AS SequenceFile
Create table js_data_partitioned_parquetfile(referer STRING,ip STRING,articleId STRING,catalogCode STRING,
userAgent STRING,sessionId STRING,title STRING,deviceId STRING,url STRING,visitTime STRING,catalogId STRING,
atype STRING,domain STRING,action STRING) PARTITIONED BY (visitDate STRING) STORED AS parquetfile
Create table js_data_partitioned_avrofile(referer STRING,ip STRING,articleId STRING,catalogCode STRING,
userAgent STRING,sessionId STRING,title STRING,deviceId STRING,url STRING,visitTime STRING,catalogId STRING,
atype STRING,domain STRING,action STRING) PARTITIONED BY (visitDate STRING) STORED AS Avro
4.基于如下SQL进行测试
select visitdate,count(*) as pv from 表名 where action = '1' and domain = 'static.scms.sztv.com.cn' group by visitdate order by pv;
四.结果展示
性能测试结果
存储格式 ORC Sequencefile Parquet RCfile Avro
数据压缩后大小 1.8G 67.0G 11G 63.8G 66.7G
存储耗费时间 535.7s 625.8s 537.3s 543.48 5 44.3
SQL查询响应速度 19.63s 184.07s 24.22s 88.5s 281.65
五.结论
1.在压缩存储时间上，除Sequencefile外基本都相差无几。
2.数据压缩比例上ORC最优，相比textfile节省了50倍磁盘空间，parquet压缩性能也较好。
3.SQL查询速度而言，ORC与parquet性能较好，远超其余存储格式。
综合上述各种性能指标，建议工作中原始日志写入hive的存储格式都采用ORC或者parquet格式，这和目前主流的做法一致。