Hive的压缩与存储

还有视频讲解在我的B站-宝哥chbxw, 希望大家可以支持一下，谢谢！

一、hadoop压缩配置

1.1、hadoop支持的压缩

1.2、Hadoop编码/解码器

1.3、压缩性能比较

http://google.github.io/snappy/
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.

1.4、压缩参数的配置

二、Hive压缩的配置

2.1、开启Map输出阶段的压缩

1．开启hive中间传输数据压缩功能
hive (default)>set hive.exec.compress.intermediate=true;
2．开启mapreduce中map输出压缩功能
hive (default)>set mapreduce.map.output.compress=true;
3．设置mapreduce中map输出数据的压缩方式
hive (default)>set mapreduce.map.output.compress.codec=
 org.apache.hadoop.io.compress.SnappyCodec;
4．执行查询语句
	hive (default)> select count(ename) name from emp;

2.2、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。

1．开启hive最终输出数据压缩功能
hive (default)>set hive.exec.compress.output=true;
2．开启mapreduce最终输出数据压缩
hive (default)>set mapreduce.output.fileoutputformat.compress=true;
3．设置mapreduce最终数据输出压缩方式
hive (default)> 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
hive (default)> set mapreduce.output.fileoutputformat.compress.type=BLOCK;
5．测试一下输出结果是否是压缩文件
hive (default)> insert overwrite local directory
 '/tmp/hivetest/distribute-result' select * from emp distribute by deptno sort by empno desc;

三、文件存储格式

Hive支持的存储数的格式主要有：TEXTFILE 、SEQUENCEFILE、ORC、PARQUET。

3.1、列式存储和行式存储

如下图所示左边为逻辑表，右边第一个为行式存储，第二个为列式存储。

3.1.1、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。

3.2、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。

3.3、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，但使用Gzip这种方式，hive不会对数据进行切分，从而无法对数据进行并行操作。

3.4、Orc格式

  Orc (Optimized Row Columnar)是Hive 0.11版里引入的新的存储格式。
  如下图所示可以看到每个Orc文件由1个或多个stripe组成，每个stripe 250MB大小，这个Stripe实际相当于RowGroup概念，不过大小由4MB->250MB，这样应该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 Data，Stripe Footer：

1）Index Data：一个轻量级的index，默认是每隔1W行做一个索引。这里做的索引应该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Stream的类型，长度等信息。
  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。

3.5、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，2015年5月从Apache的孵化器里毕业成为Apache顶级项目。
  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

  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，通过该值和文件长度可以计算出元数据的偏移量，文件的元数据中包括每一个行组的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，
• 字典页存储该列值的编码字典，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中还不支持索引页。

四、主流文件存储格式对比实验

从存储文件的压缩比和查询速度两个角度对比。

4.1、存储文件的压缩比测试

4.1.1、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 '\t'
stored as textfile;
（2）向表中加载数据
hive (default)> load data local inpath '/uardata1/hivetest/log.data' into table log_text ;
（3）查看表中数据大小
hive (default)> dfs -du -h /user/hive/warehouse/log_text;
18.1 M  54.4 M  /user/hive/warehouse/log_text/log.data

4.1.2、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 '\t'
stored as orc ;
（2）向表中加载数据
hive (default)> insert into table log_orc select * from log_text ;
（3）查看表中数据大小
hive (default)> dfs -du -h /user/hive/warehouse/log_orc/ ;
2.8 M  8.3 M  /user/hive/warehouse/log_orc/000000_0

4.1.3、Parquet

（1）创建表，存储数据格式为parquet
create table log_parquet(
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 '\t'
stored as parquet ;	
（2）向表中加载数据
hive (default)> insert into table log_parquet select * from log_text ;
（3）查看表中数据大小
hive (default)> dfs -du -h /user/hive/warehouse/log_parquet/ ;
13.1 M  39.3 M  /user/hive/warehouse/log_parquet/000000_0

4.1.4、存储文件的压缩比总结：ORC > Parquet > textFile

4.2、存储文件的查询速度测试

4.2.1、TextFile

hive> select count(*) from log_text;
100000
Time taken: 1.192 seconds, Fetched: 1 row(s)
Time taken: 1.205 seconds, Fetched: 1 row(s)
Time taken: 1.176 seconds, Fetched: 1 row(s)

4.2.2、

hive> select count(*) from log_orc;
100000
Time taken: 1.185 seconds, Fetched: 1 row(s)
Time taken: 1.216 seconds, Fetched: 1 row(s)
Time taken: 1.19 seconds, Fetched: 1 row(s)

4.2.3、Parquet

hive> select count(*) from log_parquet;
100000
Time taken: 1.163 seconds, Fetched: 1 row(s)
Time taken: 1.217 seconds, Fetched: 1 row(s)
Time taken: 1.218 seconds, Fetched: 1 row(s)

4.2.4、存储文件的查询速度总结：查询速度相近。

五、存储和压缩结合

5.1、创建一个非压缩的的ORC存储方式

（1）建表语句
create table log_orc_none(
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 '\t'
stored as orc tblproperties ("orc.compress"="NONE");
	（2）插入数据
hive (default)> insert into table log_orc_none select * from log_text ;
	（3）查看插入后数据
hive (default)> dfs -du -h /user/hive/warehouse/log_orc_none/ ;
7.7 M  23.1 M  /user/hive/warehouse/log_orc_none/000000_0

5.2、创建一个SNAPPY压缩的ORC存储方式

（1）建表语句
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 '\t'
stored as orc tblproperties ("orc.compress"="SNAPPY");
	（2）插入数据
hive (default)> insert into table log_orc_snappy select * from log_text ;
	（3）查看插入后数据
hive (default)> dfs -du -h /user/hive/warehouse/log_orc_snappy/ ;
3.8 M  11.3 M /user/hive/warehouse/log_orc_snappy/000000_0

5.3、上一节中默认创建的ORC存储方式，导入数据后的大小为

2.8 M /user/hive/warehouse/log_orc/000000_0
比Snappy压缩的还小。原因是orc存储文件默认采用ZLIB压缩。比snappy压缩的小

5.4、存储方式和压缩总结

 &emsp**;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，lzo。**