大数据学习：Hive主流文件存储格式对比
Hive 主流文件存储格式对比
1. hive的SerDe
1.1 hive的SerDe是什么
Serde是 Serializer/Deserializer的简写。hive使用Serde进行行对象的序列与反序列化。最后实现把文件内容映射到 hive 表中的字段数据类型。
为了更好的阐述使用 SerDe 的场景，我们需要了解一下 Hive 是如何读数据的(类似于 HDFS 中数据的读写操作)：
HDFS files –> InputFileFormat –> –> Deserializer –> Row object
Row object –> Serializer –> –> OutputFileFormat –> HDFS files
1.2 hive的SerDe 类型
- Hive 中内置
org.apache.hadoop.hive.serde2库，内部封装了很多不同的SerDe类型。 - hive创建表时， 通过自定义的SerDe或使用Hive内置的SerDe类型指定数据的序列化和反序列化方式。
CREATE [EXTERNAL] TABLE [IF NOT EXISTS] table_name
[(col_name data_type [COMMENT col_comment], ...)] [COMMENT table_comment] [PARTITIONED BY (col_name data_type [COMMENT col_comment], ...)]
[CLUSTERED BY (col_name, col_name, ...)
[SORTED BY (col_name [ASC|DESC], ...)] INTO num_buckets BUCKETS]
[ROW FORMAT row_format]
[STORED AS file_format]
[LOCATION hdfs_path]
- 如上创建表语句， 使用
row format 参数说明SerDe的类型. - 你可以创建表时使用用户自定义的Serde或者native Serde， 如果 ROW FORMAT没有指定或者指定了 ROW FORMAT DELIMITED就会使用native Serde。
- Hive SerDes:
- Avro (Hive 0.9.1 and later)
- ORC (Hive 0.11 and later)
- RegEx
- Thrift
- Parquet (Hive 0.13 and later)
- CSV (Hive 0.14 and later)
- MultiDelimitSerDe
2. 存储文件的压缩比测试
2.1 测试数据
https://github.com/Raray-chuan/xichuan_blog_pic/blob/main/file/hive/hive-log.txt
log.txt 大小为18.1 M
2.2 TextFile
- 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 ;
- 向表中加载数据
load data local inpath '/home/hadoop/log.txt' into table log_text ;
- 查看表的数据量大小
dfs -du -h /user/hive/warehouse/log_text;
+------------------------------------------------+--+
| DFS Output |
+------------------------------------------------+--+
| 18.1 M /user/hive/warehouse/log_text/log.txt |
+------------------------------------------------+--+
2.3 Parquet
- 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;
- 向表中加载数据
insert into table log_parquet select * from log_text;
- 查看表的数据量大小
dfs -du -h /user/hive/warehouse/log_parquet;
+----------------------------------------------------+--+
| DFS Output |
+----------------------------------------------------+--+
| 13.1 M /user/hive/warehouse/log_parquet/000000_0 |
+----------------------------------------------------+--+
2.4 ORC
- 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 ;
- 向表中加载数据
insert into table log_orc select * from log_text ;
- 查看表的数据量大小
dfs -du -h /user/hive/warehouse/log_orc;
+-----------------------------------------------+--+
| DFS Output |
+-----------------------------------------------+--+
| 2.8 M /user/hive/warehouse/log_orc/000000_0 |
+-----------------------------------------------+--+
2.5 存储文件的压缩比总结
ORC > Parquet > textFile
3. 存储文件的查询速度测试
3.1 TextFile
select count(*) from log_text;
+---------+--+
| _c0 |
+---------+--+
| 100000 |
+---------+--+
1 row selected (16.99 seconds)
3.2 Parquet
select count(*) from log_parquet;
+---------+--+
| _c0 |
+---------+--+
| 100000 |
+---------+--+
1 row selected (17.994 seconds)
3.3 ORC
select count(*) from log_orc;
+---------+--+
| _c0 |
+---------+--+
| 100000 |
+---------+--+
1 row selected (15.943 seconds)
3.4 存储文件的查询速度总结
ORC > TextFile > Parquet
4. 存储和压缩结合
-
使用压缩的优势是可以最小化所需要的磁盘存储空间，以及减少磁盘和网络io操作
-
官网地址
- https://cwiki.apache.org/confluence/display/Hive/LanguageManual+ORC
-
ORC支持三种压缩：ZLIB,SNAPPY,NONE。最后一种就是不压缩，
orc默认采用的是ZLIB压缩。
4.1 创建一个非压缩的的ORC存储方式表
- 1、创建一个非压缩的的ORC表
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、加载数据
insert into table log_orc_none select * from log_text ;
- 3、查看表的数据量大小
dfs -du -h /user/hive/warehouse/log_orc_none;
+----------------------------------------------------+--+
| DFS Output |
+----------------------------------------------------+--+
| 7.7 M /user/hive/warehouse/log_orc_none/000000_0 |
+----------------------------------------------------+--+
4.2 创建一个snappy压缩的ORC存储方式表
- 1、创建一个snappy压缩的的ORC表
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、加载数据
insert into table log_orc_snappy select * from log_text ;
- 3、查看表的数据量大小
dfs -du -h /user/hive/warehouse/log_orc_snappy;
+------------------------------------------------------+--+
| DFS Output |
+------------------------------------------------------+--+
| 3.8 M /user/hive/warehouse/log_orc_snappy/000000_0 |
+------------------------------------------------------+--+
4.3 创建一个ZLIB压缩的ORC存储方式表
- 不指定压缩格式的就是默认的采用ZLIB压缩
- 可以参考上面创建的 log_orc 表
- 查看表的数据量大小
dfs -du -h /user/hive/warehouse/log_orc;
+-----------------------------------------------+--+
| DFS Output |
+-----------------------------------------------+--+
| 2.8 M /user/hive/warehouse/log_orc/000000_0 |
+-----------------------------------------------+--+
4.4 存储方式和压缩总结
-
orc 默认的压缩方式ZLIB比Snappy压缩的还小。
-
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。
-
由于snappy的压缩和解压缩 效率都比较高，
压缩方式一般选择snappy