Hive优化篇-Hive数据存储格式

前言

本文讲解 Hive 的数据存储，是 Hive 操作数据的基础。选择一个合适的底层数据存储文件格式，即使在不改变当前 Hive SQL 的情况下，性能也能得到数量级的提升。这种优化方式对学过 MySQL 等关系型数据库的小伙伴并不陌生，选择不同的数据存储引擎，代表着不同的数据组织方式，对于数据库的表现会有不同的影响。

Hive 数据存储常用的格式如下：

• 行式存储
  文本格式（TextFile）
  二进制序列化文件（SequenceFile）
• 列式存储
  行列式文件（RCFile）
  优化的行列式文件（ORCFile）
  Apache Parquet

注：RCFile 和 ORCFile 并不是纯粹的列式存储，它是先基于行对数据表进行分组(行组)，然后对行组进行列式存储。

我们看下这几种存储结构的优缺点：

​ 以下表格为例:

水平的行存储结构:

采用行式存储时，数据在磁盘上的组织结构为：

行存储模式就是把一整行存在一起，包含所有的列，这是最常见的模式。这种结构能很好的适应动态的查询。

比如：
select a from tableA 和 select a, b, c, d, e, f, g from tableA

这样两个查询其实查询的开销差不多，都需要把所有的行读进来过一遍，拿出需要的列。
而且这种情况下，属于同一行的数据都在同一个 HDFS 块上，重建一行数据的成本比较低。

但是这样做有两个主要的弱点：

• 当一行中有很多列，而我们只需要其中很少的几列时，我们也不得不把一行中所有的列读进来，然后从中取出一些列。这样大大降低了查询执行的效率。

• 基于多个列做压缩时，由于不同的列数据类型和取值范围不同，压缩比不会太高。

垂直的列存储结构:

采用列式存储时，数据在磁盘上的组织结构为：

列存储是将每列单独存储或者将某几个列作为列组存在一起。

好处：

• 列存储在执行查询时可以避免读取不必要的列。
• 而且一般同列的数据类型一致，取值范围相对多列混合更小，在这种情况下压缩数据能达到比较高的压缩比。

弱点：

​ 这种结构在重建行时比较费劲，尤其当一行的多个列不在一个 HDFS 块上的时候。比如我们从第一个 DataNode 上拿到 column A，从第二个 DataNode 上拿到了 column B，又从第三个 DataNode 上拿到了 column C，当要把 A，B，C 拼成一行时，就需要把这三个列放到一起重建出行，需要比较大的网络开销和运算开销。

混合的 PAX 存储结构:

​ PAX 结构是将行存储和列存储混合使用的一种结构，主要是传统数据库中提高 CPU 缓存利用率的一种方法，并不能直接用到 HDFS 中。但是 RCFile 和 ORC 是继承自它的思想，先按行存再按列存。

本文重点讲解最后两种：Apache ORC 和 Apache Parquet，因为它们以其高效的数据存储和数据处理性能得以在实际的生产环境中大量运用。

TextFile

TextFile 为 Hive 默认格式，建表时不指定则默认为这个格式，导入数据时会直接把数据文件拷贝到 hdfs 上不进行处理。

stored as textfile;  -- 可不指定（默认格式）

TextFile 优缺点：

• TextFile 格式因为不对导入的数据文件做处理，所以可以直接使用 load 方式加载数据，其他存储格式则不能使用 load 直接导入数据文件。所以 TextFile 的加载速度是最高的。

• TextFile 格式虽然可以使用 Gzip 压缩算法，但压缩后的文件不支持 split。在反序列化过程中，必须逐个字符判断是不是分隔符和行结束符，因此反序列化开销会比 SequenceFile 高几十倍。

SequenceFile

SequenceFile 是 Hadoop API 提供的一种二进制文件支持，其具有使用方便、可分割、可压缩的特点。

SequenceFIle 的内部格式取决于是否启用压缩，如果是压缩，则又可以分为记录压缩和块压缩。

• 无压缩（NONE）：如果没有启用压缩(默认设置)那么每个记录就由它的记录长度(字节数)、键的长度，键和值组成。长度字段为 4 字节。

• 记录压缩（RECORD）：记录压缩格式与无压缩格式基本相同，不同的是值字节是用定义在头部的编码器来压缩。注意：键是不压缩的。

• 块压缩（BLOCK）：块压缩一次压缩多个记录，因此它比记录压缩更紧凑，而且一般优先选择。当记录的字节数达到最小大小，才会添加到块。该最小值由 io.seqfile.compress.blocksize 中的属性定义。默认值是 1000000 字节。格式为记录数、键长度、键、值长度、值。Record 压缩率低，一般建议使用 BLOCK 压缩。

stored as sequencefile;

设置压缩格式为块压缩：

set mapred.output.compression.type=BLOCK;

SequenceFile 优点：

• 支持基于记录(Record)或块(Block)的数据压缩。

• 支持 splitable，能够作为 MapReduce 的输入分片。

• 修改简单：主要负责修改相应的业务逻辑，而不用考虑具体的存储格式。

SequenceFile 的缺点：

• 需要一个合并文件的过程，且合并后的文件不方便查看。

RCFile

RCFile 文件格式是 FaceBook 开源的一种 Hive 的文件存储格式，首先将表分为几个行组，对每个行组内的数据进行按列存储，每一列的数据都是分开存储，正是先水平划分，再垂直划分的理念。

首先对表进行行划分，分成多个行组。一个行组主要包括：

• 16 字节的 HDFS 同步块信息，主要是为了区分一个 HDFS 块上的相邻行组；
• 元数据的头部信息主要包括该行组内的存储的行数、列的字段信息等等；
• 数据部分我们可以看出 RCFile 将每一行，存储为一列，将一列存储为一行，因为当表很大，我们的字段很多的时候，我们往往只需要取出固定的一列就可以。

在一般的行存储中 select a from table，虽然只是取出一个字段的值，但是还是会遍历整个表，所以效果和 select * from table 一样，在 RCFile 中，像前面说的情况，只会读取该行组的一行。

stored as rcfile;

在存储空间上：

• RCFile 是行划分，列存储，采用游程编码，相同的数据不会重复存储，很大程度上节约了存储空间，尤其是字段中包含大量重复数据的时候。

懒加载：

• 数据存储到表中都是压缩的数据，Hive 读取数据的时候会对其进行解压缩，但是会针对特定的查询跳过不需要的列，这样也就省去了无用的列解压缩。

如：

select c from table where a>1

针对行组来说，会对每个行组的a列进行解压缩，如果当前列中有 a>1 的值，然后才去解压缩 c。若当前行组中不存在 a>1 的列，那就不用解压缩 c，从而跳过整个行组。

ORCFile

ORC相比较 RCFile 的优点

• ORC 是在一定程度上扩展了 RCFile，是对 RCFile 的优化：
• ORC 扩展了 RCFile 的压缩，除了 Run-length（游程编码），引入了字典编码和 Bit 编码。
• 每个 task 只输出单个文件，这样可以减少 NameNode 的负载；
• 支持各种复杂的数据类型，比如：datetime，decimal，以及一些复杂类型(struct, list, map,等)；
• 文件是可切分（Split）的。在 Hive 中使用 ORC 作为表的文件存储格式，不仅节省 HDFS 存储资源，查询任务的。

采用字典编码，最后存储的数据便是字典中的值，及每个字典值的长度以及字段在字典中的位置；
采用 Bit 编码，对所有字段都可采用 Bit 编码来判断该列是否为 null， 如果为 null 则 Bit 值存为 0，否则存为 1，对于为 null 的字段在实际编码的时候不需要存储，也就是说字段若为 null，是不占用存储空间的。

ORC的基本结构

ORCFile 在 RCFile 基础上引申出来 Stripe 和 Footer 等。每个 ORC 文件首先会被横向切分成多个 Stripe，而每个 Stripe 内部以列存储，所有的列存储在一个文件中，而且每个 stripe 默认的大小是 250MB，相对于 RCFile 默认的行组大小是 4MB，所以比 RCFile 更高效。

下图是 ORC 的文件结构示意图：

ORC 文件结构由三部分组成:

• 条带（stripe）：ORC 文件存储数据的地方。
• 文件脚注（file footer）：包含了文件中 stripe 的列表，每个 stripe 的行数，以及每个列的数据类型。它还包含每个列的最小值、最大值、行计数、 求和等聚合信息。
• postscript：含有压缩参数和压缩大小相关的信息。

stripe 结构同样可以分为三部分：index data、rows data 和 stripe footer：

• index data：保存了所在条带的一些统计信息，以及数据在 stripe 中的位置索引信息。
• rows data：数据存储的地方，由多个行组构成，数据以流（stream）的形式进行存储。
• stripe footer：保存数据所在的文件目录。

rows data 存储两部分的数据，即 metadata stream 和 data stream：

• metadata stream：用于描述每个行组的元数据信息。
• data stream：存储数据的地方。

ORC 在每个文件中提供了 3 个级别的索引：

• 文件级：这一级的索引信息记录文件中所有 stripe 的位置信息，以及文件中所存储的每列数据的统计信息。
• 条带级别：该级别索引记录每个 stripe 所存储数据的统计信息。
• 行组级别：在 stripe 中，每 10000 行构成一个行组，该级别的索引信息 就是记录这个行组中存储的数据的统计信息。

程序可以借助 ORC 提供的索引加快数据查找和读取效率。程序在查询 ORC 文件类型的表时，会先读取每一列的索引信息，将查找数据的条件和索引信息进行对比，找到满足查找条件的文件。
接着根据文件中的索引信息，找到存储对应的查询条件数据 stripe，再借助 stripe 的索引信息读文件中满足查询条件的所有 stripe 块。

之后再根据 stripe 中每个行组的索引信息和查询条件比对的结果，找到满足要求的行组。
通过 ORC 这些索引，可以快速定位满足查询的数据块，规避大部分不满足查询条件的文件和数据块，相比于读取传统的数据文件，进行查找时需要遍历全部的数据，使用 ORC 可以避免磁盘和网络 I/O 的浪费，提升程序的查找效率，提升整个集群的工作负载。

ORC的数据类型

Hive 在使用 ORC 文件进行存储数据时，描述这些数据的字段信息、字段 类型信息及编码等相关信息都是和 ORC 中存储的数据放在一起的。

ORC 中每个块中的数据都是自描述的，不依赖外部的数据，也不存储在 Hive 的元数据库中。

• 整型：包含 boolean（1bit）、tinyint（8bit）、smallint（16bit）、int（32bit）、bigint（64bit）。
• 浮点型：包含 float 和 double。
• 字符串类型：包含 string、char 和 varchar。
• 二进制类型：包含 binary。
• 日期和时间类型：包含 timestamp 和 date。·
• 复杂类型：包含 struct、list、map 和 union 类型。

目前 ORC 基本已经兼容了日常所能用到的绝大部分的字段类型。另外，ORC 中所有的类型都可以接受 NULL 值。

ORC 的 ACID 事务的支持

在 Hive 0.14 版本以前，Hive 表的数据只能新增或者整块删除分区或表，而不能对表的单个记录进行修改。

在 Hive 0.14 版本后，ORC 文件能够确保 Hive 在工作时的原子性、一致性、隔离性和持久性的 ACID 事务能够被正确地得到使用，使得对数据更新操作成为可能。

Hive 是面向 OLAP 的，所以它的事务也和 RDMBS 的事务有一定的区别。Hive 的事务被设计成每个事务适用于更新大批量的数据，而不建议用事务频繁地更新小批量的数据。

创建 Hive 事务表的方法：

1. 设置 hive 环境参数

    --开启并发支持，支持插入、删除和更新的事务
   set hive.support.concurrency=true;
   
   --支持ACID事务的表必须为分桶表
   set hive.enforce.bucketing=true;
   
   --开启事物需要开启动态分区非严格模式
   set hive.exec.dynamic.partition.mode=nonstrict;
   
   --设置事务所管理类型为org.apache.hive.ql.lockmgr.DbTxnManager
   --原有的org.apache.hadoop.hive.ql.lockmgr.DummyTxnManager不支持事务
   set hive.txn.manager=org.apache.hadoop.hive.ql.lockmgr.DbTxnManager;
   
   --开启在相同的一个meatore实例运行初始化和清理的线程
   set hive.compactor.initiator.on=true;
   
   --设置每个metastore实例运行的线程数
   set hive.compactor.worker.threads=1;
   

2. 创建表：

   create table student_txn
   (id int,
    name string
   )
   clustered by (id) into 2 buckets --必须支持分桶
   stored as orc TBLPROPERTIES ('transactional'='true'); --在表属性中添加支持事务
   

3. 插入数据：

   --插入id为1001，名字为'student_1001
   insert into table student_txn values('1001','student_1001');
   

4. 更新数据：

   update student_txn
   set name='student_1002'
   where id='1001';
   

5. 查看表的数据，最终会发现 id 为 1001 被改为 sutdent_1002；

ORC 相关的 Hive 配置

表的属性配置项有如下几个：

• orc.compress：表示 ORC 文件的压缩类型，可选的类型有 NONE、ZLIB 和 SNAPPY，默认值是 ZLIB。
• orc.compress.size：表示压缩块（chunk）的大小，默认值是 262144（256KB）。
• orc.stripe.size：写 stripe，可以使用的内存缓冲池大小，默认值是 67108864（64MB）。
• orc.row.index.stride：行组级别索引的数据量大小，默认是 10000，必须要设置成大于等于 10000 的数。
• orc.create.index：是否创建行组级别索引，默认是 true。
• orc.bloom.filter.columns：需要创建布隆过滤的组。
• orc.bloom.filter.fpp：使用布隆过滤器的假正（False Positive）概率，默认值是 0.05。

-- 注：在 Hive 中使用布隆(bloom)过滤器，可以用较少的文件空间快速判定数据是否存在于表中，但是也存在将不属于这个表的数据判定为属于这个这表的情况，这个情况称之为假正概率，可以手动调整该概率，但概率越低，布隆过滤器所需要的空间越多。

Parquet

Parquet 是另外的一种高性能行列式的存储结构，可以适用多种计算框架，被多种查询引擎所支持，包括 Hive、Impala、Drill 等。

Parquet基本结构

在一个 Parquet 类型的 Hive 表文件中，数据被分成多个行组，每个列块又被拆分成若干的页（Page），如下图所示：

Parquet 在存储数据时，也同 ORC 一样记录这些数据的元数据，这些元数据也同 Parquet 的文件结构一样，被分成多层文件级别的元数据、列块级别的元数据及页级别的元数据。

文件级别的元数据（fileMetadata）记录主要如下：

• 表结构信息（Schema）；

• 该文件的记录数；

• 该文件拥有的行组，以及每个行组的数据总量，记录数；

• 每个行组下，列块的文件偏移量。

列块的元数据信息如下：

• 记录该列块的未压缩和压缩后的数据大小和压缩编码；
• 数据页的偏移量；
• 索引页的偏移量；
• 列块的数据记录数。

页头的元数据信息如下：

• 该页的编码信息；
• 该页的数据记录数。
• 程序可以借助 Parquet 的这些元数据，在读取数据时过滤掉不需要读取的大部分文件数据，加快程序的运行速度。

同 ORC 的元数据一样，Parquet 的这些元数据信息能够帮助提升程序的运行速度，但是 ORC 在读取数据时又做了一定的优化，增强了数据的读取效率。在查询时所消耗的集群资源比 Parquet 类型少。

Parquet 在嵌套式结构支持比较完美，而 ORC 多层级嵌套表达起来比较复杂，性能损失较大。

Parquet 的相关配置：

可以根据不同场景需求进行适当的参数调整，实现程序优化。

• parquet.block.size：默认值为 134217728byte，即 128MB，表示 RowGroup 在内存中的块大小。该值设置得大，可以提升 Parquet 文件的读取效率，但是相应在写的时候需要耗费更多的内存。
• parquet.page.size：默认值为 1048576byte，即 1MB，表示每个页 （page）的大小。这个特指压缩后的页大小，在读取时会先将页的数据进行解压。页是 Parquet 操作数据的最小单位，每次读取时必须读完一整页的数据才能访问数据。这个值如果设置得过小，会导致压缩时出现性能问题。
• parquet.compression：默认值为 UNCOMPRESSED（不压缩），表示页的压缩式。可以使用的压缩方式有 UNCOMPRESSED、SNAPPY、GZIP 和 LZO。
• parquet.enable.dictionary：默认为 true，表示是否启用字典编码。
• parquet.dictionary.page.size：默认值为 1048576byte，即 1MB。在使用字典编码时，会在 Parquet 的每行每列中创建一个字典页。使用字典编码，如果存储的数据页中重复的数据较多，能够起到一个很好的压缩效果，也能减少每个页在内存的占用。

使用Spark引擎时 Parquet 表的压缩格式配置：

Spark 天然支持 Parquet，并为其推荐的存储格式(默认存储为parquet)。

对于 Parquet 表的压缩格式分以下两种情况进行配置：

• 对于分区表：

  需要通过 Parquet 本身的配置项 parquet.compression 设置 Parquet 表的数据压缩格式。如在建表语句中设置：“parquet.compression”=“snappy”。

• 对于非分区表：

  需要通过 spark.sql.parquet.compression.code 配置项来设置 Parquet 类型的数据压缩格式。直接设置parquet.compression 配置项是无效的，因为它会读取 spark.sql.parquet.compression.codec 配置项的值。

  当 spark.sql.parquet.compression.codec 未做设置时默认值为 snappy，parquet.compression 会读取该默认值。

  因此，spark.sql.parquet.compression.codec 配置项只适用于设置非分区表的 Parquet 压缩格式。

Parquet 和 ORC 压缩格式对比

• ORC 表支持 None、Zlib、Snappy 压缩，默认为 ZLIB 压缩。但这 3 种压缩格式不支持切分，所以适合单个文件不是特别大的场景。使用 Zlib 压缩率高，但效率差一些；使用 Snappy 效率高，但压缩率低。
• Parquet 表支持 Uncompress、Snappy、Gzip、Lzo 压缩，默认不压缩(Uncompressed)。其中 Lzo 压缩是支持切分的，所以在表的单个文件较大的场景会选择 Lzo 格式。Gzip 方式压缩率高，效率低；而 Snappy、Lzo 效率高，压缩率低。