Hive-数据压缩格式，存储格式(行式存储、列式存储)，相关参数配置，详细分析

1 数据压缩配置

1.1 MR支持的压缩编码

压缩格式	算法	文件扩展名	是否可切分
DEFLATE	DEFLATE	.deflate	否
Gzip	DEFLATE	.gz	否
bzip2	bzip2	.bz2	是
LZO	LZO	.lzo	是
Snappy	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
DEFLATE	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	58MB/s
bzip2	8.3GB	1.1GB	2.4MB/s	9.5MB/s
LZO	8.3GB	2.9GB	49.3MB/s	74.6MB/s

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 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
io.compression.codecs （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
mapreduce.map.output.compress	false	mapper输出
mapreduce.map.output.compress.codec	org.apache.hadoop.io.compress.DefaultCodec	mapper输出
mapreduce.output.fileoutputformat.compress	false	reducer输出
mapreduce.output.fileoutputformat.compress.codec	org.apache.hadoop.io.compress. DefaultCodec	reducer输出
mapreduce.output.fileoutputformat.compress.type	RECORD	reducer输出

设置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：

（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 MR中map输出压缩功能

hive (default)>set mapreduce.map.output.compress=true;

（3）设置MR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;

设置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。默认值false，默认输出非压缩的纯文本文件。具体配置如下：

（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 MR 最终输出数据压缩

hive (default)>set mapreduce.output.fileoutputformat.compress=true;

（3）设置 MR 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 MR 最终数据输出压缩为块压缩（默认值式RECORD）

hive (default)> set mapreduce.output.fileoutputformat.compress.type=BLOCK;

2 文件存储格式

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

2.1 列式存储和行式存储

如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。

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。
例如：SELECT * FROM table;

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；并且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的数据格式是基于行存储的；

• ORC和PARQUET的数据格式是基于列式存储的。

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。

Orc格式

Orc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 一般为HDFS的块大小，每一个 stripe 包含多条记录，这些记录按照列进行独立存储，对应到 Parquet 中的 row group 的概念。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 File Footer 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 File Footer ，从里面解析到各个 Stripe 信息，再读各个 Stripe ，即从后往前读。

Parquet格式

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。

（1）行组(Row Group)：每一个行组包含一定的行数，在一个HDFS文件中至少存储一个行组，类似于orc的stripe的概念。

（2）列块(Column Chunk)：在一个行组中每一列保存在一个列块中，行组中的所有列连续的存储在这个行组文件中。一个列块中的值都是相同类型的，不同的列块可能使用不同的算法进行压缩。

（3）页(Page)：每一个列块划分为多个页，一个页是最小的编码的单位，在同一个列块的不同页可能使用不同的编码方式。

通常情况下，在存储 Parquet 数据的时候会按照hdfs 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。

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。

3 文件存储格式对比测试

从存储文件的压缩比和查询速度两个角度对比。

• 注意：一般文本文件都是行式存储格式，往 列式存储表 加载数据时，不能使用load data加载，会报格式不匹配错误，要使用 insert into查询加载

存储文件的压缩比测试：

测试数据：log.txt（文件大小18M）

1）TextFile

（1）创建表，存储数据格式为TEXTFILE

create table log_text (
。。。
)
row format delimited fields terminated by '\t'
stored as textfile;

（2）查看表中数据大小（18.13M）

hive (default)> dfs -du -h /user/hive/warehouse/log_text;

18.13M /user/hive/warehouse/log_text/log.data

2）ORC

（1）创建表，存储数据格式为ORC

create table log_orc(
。。。
)
row format delimited fields terminated by '\t'
stored as orc
tblproperties("orc.compress"="NONE"); -- 设置orc存储不使用压缩默认会使用zlib

（2）查看表中数据大小（7.69M）

hive (default)> dfs -du -h /user/hive/warehouse/log_orc/;

7.69M /user/hive/warehouse/log_orc/000000_0

3）Parquet

（1）创建表，存储数据格式为parquet

create table log_parquet(
。。。
)
row format delimited fields terminated by '\t'
stored as parquet ;

（2）查看表中数据大小（13.1M）

hive (default)> dfs -du -h /user/hive/warehouse/log_parquet/;

13.1M /user/hive/warehouse/log_parquet/000000_0

存储文件的对比总结：

ORC （7.69M）> Parquet（13.1M） > textFile（18.13M）

存储文件的查询速度测试：

1) TextFile

hive (default)> insert overwrite local directory '/opt/module/hive/datas/log_text' select substring(url,1,4) from log_text ;

No rows affected (10.522 seconds)

2) ORC

hive (default)> insert overwrite local directory '/opt/module/hive/datas/log_orc' select substring(url,1,4) from log_orc ;

No rows affected (11.495 seconds)

3) Parquet

hive (default)> insert overwrite local directory '/opt/module/hive/datas/log_parquet' select substring(url,1,4) from log_parquet ;

No rows affected (11.445 seconds)

存储文件的查询速度总结：查询速度相近。

存储和压缩结合测试：

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	268,435,456	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)

• 注意：所有关于ORCFile的参数都是在HQL语句的TBLPROPERTIES字段里面出现

1）创建一个ZLIB压缩的ORC存储方式

（1）建表

create table log_orc_zlib(
。。。
)
row format delimited fields terminated by '\t'
stored as orc
tblproperties("orc.compress"="ZLIB");

（2）查看数据（2.78M）

hive (default)> dfs -du -h /user/hive/warehouse/log_orc_zlib/;

2.78M  /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

create table log_orc_snappy(
。。。
)
row format delimited fields terminated by '\t'
stored as orc
tblproperties("orc.compress"="SNAPPY");

（2）查看数据（3.75 M）

hive (default)> dfs -du -h /user/hive/warehouse/log_orc_snappy/;

3.75 M  /user/hive/warehouse/log_orc_snappy/000000_0

• ZLIB比Snappy压缩的还小。原因是ZLIB采用的是deflate压缩算法。比snappy压缩的压缩率高。

3）创建一个SNAPPY压缩的parquet存储方式

（1）建表

create table log_parquet_snappy(
。。。
)
row format delimited fields terminated by '\t'
stored as parquet
tblproperties("parquet.compression"="SNAPPY");

（2）查看数据（6.39MB）

hive (default)> dfs -du -h /user/hive/warehouse/log_parquet_snappy /;

6.39MB  /user/hive/warehouse/ log_parquet_snappy /000000_0

• 总结：用mr引擎一般使用orc+lzo，用spark引擎一般使用parquet+snappy