HIVE 建表 插入数据 文件格式与压缩格式算法比较

一： mapreduce 的压缩

mapreduce 压缩 主要是在shuffle阶段的优化。
shuffle 端的
–partition （分区）
– sort （排序）
– combine (合并)
– compress (压缩)
– group （分组）
在mapreduce 优化shuffle 从本质上是解决磁盘的IO 与网络IO 问题。
减少 集群件的文件传输处理。
二： hive 的压缩：
压缩的和解压需要cpu的，hive 的常见的压缩格式：
bzip2,gzip,lzo,snappy等
cdh 默认采用的压缩是snappy

压缩比：bzip2 > gzip > lzo bzip2 最节省存储空间。
注意： sanppy 的并不是压缩比最好的

解压速度： lzo > gzip > bzip2 lzo 解压速度是最快的。
注意：追求压缩速率最快的sanppy
压缩的和解压需要cpu 损耗比较大。

集群分： cpu 的密集型 （通常是计算型的网络）
hadoop 是 磁盘 IO 和 网络IO 的密集型， 网卡的双网卡绑定。
三： hadoop 的检查 是否支持压缩命令
bin/hadoop checknative
3.1 安装使支持压缩：
tar -zxvf 2.5.0-native-snappy.tar.gz -C /home/hadoop/yangyang/hadoop/lib/native
3.2 命令检测：
bin/hadoop checknative
3.3 mapreduce 支持的压缩：
CodeName:
zlib : org.apache.hadoop.io.compress.DefaultCodec
gzip : org.apache.hadoop.io.compress.GzipCodec
gzip2: org.apache.hadoop.io.compress.Bzip2Codec
lzo : org.apache.hadoop.io.compress.LzoCodec
lz4 : org.apache.hadoop.io.compress.Lz4Codec
snappy: org.apache.hadoop.io.compress.SnappyCodec
3.4 mapreduce 执行作业临时支持压缩两种方法：
1.在执行命令时候运行。
-Dmapreduce.map.output.compress=true
-Dmapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.DefaultCodec
如：
bin/yarn jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.5.0-cdh5.3.6.jar wordcount -Dmapreduce.map.output.compress=true -Dmapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.DefaultCodec /input/dept.txt /output1
可以在bin 的前面加一个time， 会在查看运行的时间

测试job 的任务：

测运行job 的总时间
查看压缩的频率，压缩后的文件大小。
更改配置文件：
更改mapred-site.xml 文件

mapreduce.map.output.compress
true

mapreduce.map.output.compress.codec
org.apache.hadoop.io.compress.DefaultCodec

更改完成之后重新启动服务就可以
四. hive的支持压缩
4.1 更改临时参数使其生效
hive > set —> 查看所有参数
hive > set hive.exec.compress.intermediate=true – 开启中间 压缩

set mapred.map.output.compression.codec = CodeName
set hive.exec.compress.output=true
set mapred.map.output.compression.type = BLOCK/RECORD
在hive-site.xml 中去增加相应参数使其永久生效
4.2：hive 支持的文件类型：
4.2.1 行存储与列式存储区别
数据库列存储不同于传统的关系型数据库，其数据在表中是按行存储的，列方式所带来的重要好处之一就是，由于查询中的选择规则是通过列来定义的，因 此整个数据库是自动索引化的。
　　按列存储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，一个字段的数据聚集存储，那就 更容易为这种聚集存储设计更好的压缩/解压算法。
image_1ak7j9l59fq1k819ek15eeqq9.png-173kB

4.2.2 hive 支持的文件类型：
修改hive 的默认文件系列参数：
set hive.default.fileformat=Orc

TextFile:默认的类型，行存储
rcfile:按行块，每块再按列存储
avro:二进制
ORC rcfile:的升级版，默认是zlib,支持snappy 其格式不支持
parquet
4.2.3 ORC格式（hive/shark/spark支持）
image_1ak7jnb7p1ko3128h2u9b0kqulm.png-108.9kB

使用方法：
create table Adress (
name string,
street string,
city string,
state double,
zip int
)stored as orc tblproperties (“orc.compress”=“NONE”) —>指定压缩算法
row format delimited fields terminated by ‘\t‘;
4.2.4 PARQUET格式（twitter+cloudera开源，Hive、Spark、drill，Impala、
Pig等支持）
image_1ak7k27pbsvu1lmo1hp6tus9e013.png-124.4kB

使用方法：
create table Adress (
name string,
street string,
city string,
state double,
zip int
)stored as parquet —> 指定文本类型
row format delimited fields terminated by ‘\t‘;
五：hive日志分析,各种压缩的对比
5.1 在hive 上面创建表结构：
5.1.1 textfile 类型：
create table page_views_textfile(
track_time string,
url string,
session_id string,
refere string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by ‘\t‘
STORED AS textfile ; —> 指定表的文件类型
image_1ak7u3id314bq57q11rhp60dhh9.png-17.9kB

加载数据到表中
load data local inpath ‘/home/hadoop/page_views.data‘ into table page_views_textfile ;
image_1ak7u5tbjqql1mfv1ic61ffquqam.png-12.5kB

5.1.2 orc 类型：
create table page_views_orc(
track_time string,
url string,
session_id string,
refere string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by ‘\t‘
STORED AS orc ;
image_1ak7ulou44mhq501efc1jktboa13.png-17.5kB

插入数据：
insert into table page_views_orc select * from page_views_textfile ;
image_1ak7urdk31sf97971edt1it81qtm1g.png-54.7kB
5.1.3 parquet 类型
create table page_views_parquet(
track_time string,
url string,
session_id string,
refere string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by ‘\t‘
STORED AS parquet ;
image_1ak7uu3rmgd5umk5sleh1t2a1t.png-17.1kB

插入数据：
insert into table page_views_parquet select * from page_views_textfile ;
image_1ak7uuuuh1e31iktc1g1q971pg22a.png-62.1kB

六：比较：
6.1 文件大小统计
hive (yangyang)> dfs -du -h /user/hive/warehouse/yangyang.db/page_views_textfile ;

hive (yangyang)> dfs -du -h /user/hive/warehouse/yangyang.db/page_views_orc ;

hive (yangyang)> dfs -du -h /user/hive/warehouse/yangyang.db/page_views_parquet ;
image_1ak7vb3havvabfa1mdsien1g282n.png-21.2kB

从上面可以看出orc 上生成的表最小。
6.2 查找时间测试比较：
hive (yangyang)> select count(session_id) from page_views_textfile ;
hive (yangyang)> select count(session_id) from page_views_orc;

hive (yangyang)> select count(session_id) from page_views_parquet;
6.3 textfile 文件类型:
image_1ak800moc1ov711mhkk11nk44eo3u.png-7.2kB
image_1ak801ugb1n2v1mhk3f1qshems4b.png-6.8kB

6.4 orc 文件类型:
image_1ak8056dcd8o1ei83vp9hupo84o.png-22.9kB
image_1ak807ni71fi3dpm1ccb18an155755.png-6.7kB

6.5 parquet 类型：
image_1ak8091ilmeqing1qunurc5to5i.png-15.9kB
image_1ak80a3441aj99hih2u7n6fd25v.png-6.6kB

七 hive 创建表与指定压缩：
7.1 orc+snappy 格式：
create table page_views_orc_snappy(
track_time string,
url string,
session_id string,
refere string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by ‘\t‘
STORED AS orc TBLPROPERTIES(“orc.compression”=“Snappy”);
image_1ak81oqnp1sd01nq01tj6htdnh06c.png-21kB

插入数据：
insert into table page_views_orc_snappy select * from page_views_textfile ;
image_1ak81sl3k1pa16un267186g1uu96p.png-34.8kB

7.2 parquet+snappy 格式：
set parquet.compression=Snappy ;
set hive.exec.compress.output=true ;
create table page_views_parquet_snappy(
track_time string,
url string,
session_id string,
refere string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by ‘\t‘
STORED AS parquet ;
image_1ak826m0hu73195t97i4qrj680.png-24kB

插入数据：
insert into table page_views_parquet_snappy select * from page_views_textfile ;
image_1ak8277pv12vi16unbag10q01sfm8d.png-62.9kB

7.2.1:实例
--创建数据表：
create table if not exists textfile_table(
site string,
url  string,
pv   bigint,
label string)
row format delimited fields terminated by '\t'
stored as textfile;
--插入数据：
set hive.exec.compress.output=true; --启用压缩格式 
set mapred.output.compress=true;    
set mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec;  --指定输出的压缩格式为Gzip  
set io.compression.codecs=org.apache.hadoop.io.compress.GzipCodec;      
insert overwrite table textfile_table select * from T_Name;

7.3 对比测试：
7.3.1 文件大小对比：
hive (yangyang)> dfs -du -h /user/hive/warehouse/yangyang.db/page_views_orc_snappy ;

hive (yangyang)> dfs -du -h /user/hive/warehouse/yangyang.db/page_views_parquent_snappy ;
image_1ak82jdklbniq9bhei129b1hde8q.png-15.4kB

7.3.2 查询对比：
hive (yangyang)> select count(session_id) from page_views_orc_snappy;

hive (yangyang)> select count(session_id) from page_views_parquet_snappy;
image_1ak832dfdg2v1vvm15umjmd4us97.png-58.7kB

image_1ak833gls106i1hjg1sg1ljn1ud39k.png-58.7kB