hive压缩和存储

1.1 Hadoop源码编译支持Snappy压缩

1.1.1资源准备

1.CentOS联网

配置 CentOS能连接外网。Linux虚拟机ping www.baidu.com是畅通的

注意：采用 root角色编译，减少文件夹权限出现问题

2.jar包准备(hadoop源码、JDK8、maven、protobuf)

（1）hadoop-2.7.2-src.tar.gz

（2）jdk-8u144-linux-x64.tar.gz

（3）snappy-1.1.3.tar.gz

（4）apache-maven-3.0.5-bin.tar.gz

（5）protobuf-2.5.0.tar.gz

1.1.2 jar包安装

注意：所有操作必须在 root用户下完成

1.JDK解压、配置环境变量  JAVA_HOME和 PATH，验证 java-version(如下都需

要验证是否配置成功)

[root@node4  software]#tar  -zxf  jdk-8u144-linux-x64.tar.gz  -C  /opt/module/

[root@node4  software]#vi  /etc/profile

#JAVA_HOME

export  JAVA_HOME=/opt/module/jdk1.8.0_144

export  PATH=$PATH:$JAVA_HOME/bin

[root@node4  software]#source  /etc/profile

验证命令：java -version

2.Maven解压、配置MAVEN_HOME和PATH

[root@node4  software]#tar  -zxvf  apache-maven-3.0.5-bin.tar.gz  -C  /opt/module/

[root@node4  apache-maven-3.0.5]#vi  /etc/profile

#MAVEN_HOME

export  MAVEN_HOME=/opt/module/apache-maven-3.0.5

export  PATH=$PATH:$MAVEN_HOME/bin

[root@node4  software]#source  /etc/profile

验证命令：mvn -version

1.1.3编译源码

1.准备编译环境

[root@node4  software]#yum  install  svn

[root@node4  software]#yum  install  autoconf  automake  libtool  cmake

[root@node4  software]#yum  install  ncurses-devel

[root@node4  software]#yum  install  openssl-devel

[root@node4  software]#yum  install  gcc*

2.编译安装  snappy

[root@node4  software]# tar  -zxvf  snappy-1.1.3.tar.gz  -C  /opt/module/

[root@node4  module]#cd  snappy-1.1.3/

[root@node4  snappy-1.1.3]#./configure

[root@node4  snappy-1.1.3]#make

[root@node4  snappy-1.1.3]#make  install

#查看  snappy库文件

[root@node4  snappy-1.1.3]#ls  -lh  /usr/local/lib  |grep  snappy

3.编译安装  protobuf

[root@node4  software]#tar  -zxvf  protobuf-2.5.0.tar.gz  -C  /opt/module/

[root@node4  module]#cd  protobuf-2.5.0/

[root@node4  protobuf-2.5.0]#./configure

[root@node4  protobuf-2.5.0]#make

[root@node4  protobuf-2.5.0]#make  install

#查看  protobuf版本以测试是否安装成功

[root@node4  protobuf-2.5.0]#protoc  --version

4.编译 hadoop native

[root@node4  software]#tar  -zxvf  hadoop-2.7.2-src.tar.gz

[root@node4  software]#cd  hadoop-2.7.2-src/

[root@node4  software]#mvn   clean    package   -DskipTests   -Pdist,native   -Dtar -Dsnappy.lib=/usr/local/lib  -Dbundle.snappy

执行成功后，/opt/software/hadoop-2.7.2-src/hadoop-dist/target/hadoop即为新生成的支持 snappy压缩的二进制安装包。

1.2 Hadoop压缩配置

1.2.1 MR支持的压缩编码

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
Snappy	无	Snappy	.snappy	否

为了支持多种压缩/解压缩算法，Hadoop引入了编码/解码器，如下表所示：

压缩格式	对应的编码/解码器
Default	org.apache.hadoop.io.compress.DefaultCodec
Gzip	org.apache.hadoop.io.compress.GzipCodec
Bzip2	org.apache.hadoop.io.compress.BZip2Codec
Lzo	com.hadoop.compression.lzo.LzopCodec
Snappy	org.apache.hadoop.io.compress.SnappyCodec

压缩性能的比较：

压缩算法	原始文件大小	压缩文件大小	压缩速度	解压速度
Gzip	8.3GB	1.8GB	17.5MB/s	58 MB/s
Bzip2	8.3GB	1.1GB	2.4MB/s	9.5 MB/s
Lzo	8.3GB	2.9GB	49.3MB/s	74.6 MB/s

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.

1.2.2压缩参数配置

要在 Hadoop中启用压缩，可以配置如下参数（mapred-site.xml文件中）：

参数	默认值	阶段	建议
io.compression.coders (在core-site.xml中配置)	org.apache.hadoop.io.compress.DefaultCodec, org.apache.hadoop.io.compress.GzipCodec, org.apache.hadoop.io.compress.BZip2Codec, org.apache.hadoop.io.compress.Lz4Codec	输入压缩	Hadoop使用文件扩展名判断是否支持某种编解码器
mapreduce.map.output.compress	false	Mapper输出	这个参数设为true启用压缩
mapreduce.map.output.compress.codec	org.apache.hadoop.io.compress.DefaultCodec	Mapper输出	使用 LZO、LZ4或snappy编解码器在此阶段压缩数据
mapreduce.output.fileoutputformat.compress	false	reducer输出	这个参数设为  true启用压缩
mapreduce.output.fileoutputformat.compress.codec	org.apache.hadoop.io.compress. DefaultCodec	Reducer输出	使用标准工具或者编解码器，如  gzip和  bzip2
mapreduce.output.fileoutputformat.compress.type	RECORD	Reducer输出	SequenceFile输出使用的压缩类型：NONE和BLOCK

1.3开启Map输出阶段压缩

开启 map输出阶段压缩可以减少job中map和Reduce task间数据传输量。具体配置如下：

案例实操：

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;

1.4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。

案例实操：

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 '/opt/module/datas/distribute-result'  select  * from  emp  distribute  by  deptno  sort by  empno  desc;

1.5文件存储格式

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

1.5.1列式存储和行式存储

左边为逻辑表，右边第一个为行式存储，第二个为列式存储。

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。

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。

1.5.2 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。

1.5.3 Orc格式

Orc (Optimized Row Columnar)是 Hive 0.11版里引入的新的存储格式。如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：

如图：orc格式

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。

1.5.4 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。

1.5.5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。

存储文件的压缩比测试：

1.测试数据准备

2.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 '/opt/module/datas/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 /user/hive/warehouse/log_text/log.data

3.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 /user/hive/warehouse/log_orc/000000_0

4.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 /user/hive/warehouse/log_parquet/000000_0

存储文件的压缩比总结：

ORC > Parquet >textFile

存储文件的查询速度测试：

1.TextFile

hive  (default)>  select  count(*)  from  log_text;

_c0

100000

Time  taken:  21.54  seconds,  Fetched:  1  row(s)

Time  taken:  21.08  seconds,  Fetched:  1  row(s)

Time  taken:  19.298  seconds,  Fetched:  1  row(s)

2.ORC

hive  (default)>  select  count(*)  from  log_orc;

_c0

100000

Time  taken:  20.867  seconds,  Fetched:  1  row(s)

Time  taken:  22.667  seconds,  Fetched:  1  row(s)

Time  taken:  18.36  seconds,  Fetched:  1  row(s)

3.Parquet

hive  (default)>  select  count(*)  from  log_parquet;

_c0

100000

Time  taken:  22.922  seconds,  Fetched:  1  row(s)

Time  taken:  21.074  seconds,  Fetched:  1  row(s)

Time  taken:  18.384  seconds,  Fetched:  1  row(s)

存储文件的查询速度总结：查询速度相近。

1.6存储和压缩结合

1.6.1修改Hadoop集群具有Snappy压缩方式

1.查看hadoop checknative命令使用

[root@node4  hadoop-2.7.2]# hadoop checknative [-a|-h] check native hadoop and compression libraries availability

2.查看 hadoop支持的压缩方式

[root@node4  hadoop-2.7.2]#hadoop  checknative

17/12/24 20:32:52 WARN  bzip2.Bzip2Factory:  Failed  to load/initialize  native-bzip2 library  system-native,  will  use  pure-Java  version

17/12/24 20:32:52 INFO zlib.ZlibFactory:Successfully loaded & initialized native-zlib  library Native  library  checking:

hadoop: true  /opt/module/hadoop-2.7.2/lib/native/libhadoop.so

zlib:true  /lib64/libz.so.1

snappy: false

lz4:true  revision:99

bzip2: false

3.将编译好的支持Snappy压缩的hadoop-2.7.2.tar.gz包导入到node5的/opt/software中

4.解压 hadoop-2.7.2.tar.gz到当前路径

[root@node5  hadoop-2.7.2]#tar  -zxvf  hadoop-2.7.2.tar.gz

5.进入到/opt/software/hadoop-2.7.2/lib/native路径可以看到支持Snappy压缩的动态链接库

[root@node5  hadoop-2.7.2]#pwd

/opt/software/hadoop-2.7.2/lib/native

[root@node5  hadoop-2.7.2]#ll

-rw-r--r--. 1 root root   472950 9月 1 10:19 libsnappy.a

-rwxr-xr-x. 1 root root 955 9月 1 10:19 libsnappy.la

lrwxrwxrwx. 1 root root 18 12月  24 20:39 libsnappy.so -> libsnappy.so.1.3.0

lrwxrwxrwx. 1 root root 18 12月  24 20:39 libsnappy.so.1 -> libsnappy.so.1.3.0

-rwxr-xr-x. 1 root root   228177 9月 1 10:19 libsnappy.so.1.3.0

6.拷贝/opt/software/hadoop-2.7.2/lib/native里面的所有内容到开发集群的/opt/module/hadoop-2.7.2/lib/native路径上

[root@node5  native]#cp  ../native/*  /opt/module/hadoop-2.7.2/lib/native/

7.分发集群

[root@node5  lib]#xsync  native/

8.再次查看 hadoop支持的压缩类型

[root@node5  hadoop-2.7.2]#hadoop  checknative

17/12/24 20:45:02 WARN  bzip2.Bzip2Factory:  Failed  to load/initialize  native-bzip2 library  system-native,  will  use  pure-Java  version

17/12/24 20:45:02 INFO zlib.ZlibFactory:Successfully loaded & initialized native-zlib  library Native  library  checking:

hadoop: true  /opt/module/hadoop-2.7.2/lib/native/libhadoop.so

zlib: true  /lib64/libz.so.1

snappy: true  /opt/module/hadoop-2.7.2/lib/native/libsnappy.so.1

lz4:true  revision:99

bzip2:false

9.重新启动 hadoop集群和hive

1.6.2测试存储和压缩

官网：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+ORC

ORC存储方式的压缩：

Key	Default	Notes
orc.compress	ZLIB	high level compression (one of NONE, ZLIB, SNAPPY)
orc.compress.size	262,144	number of bytes in each compression chunk
orc.stripe.size	67,108,864	number of bytes in each stripe
orc.row.index.stride	10,000	number of rows between index entries (must be >= 1000)
orc.create.index	true	whether to create row indexes
orc.bloom.filter.columns	""	comma separated  list of  column names for  which bloom filter should be created
orc.bloom.filter.fpp	0.05	false positive  probability for  bloom  filter (must  >0.0 and <1.0)

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 /user/hive/warehouse/log_orc_none/000000_0

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 /user/hive/warehouse/log_orc_snappy/000000_0

3.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。

4.存储方式和压缩总结

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。