Hive存储格式和压缩算法

Hive 存储格式和压缩算法

在实际的项目开发当中，hive表的存储格式一般选择：ORC或PARQUET，压缩算法一般选择 Zlib 和 SNAPPY

存储格式分类

逻辑表中的数据，最终需要落到磁盘上，以文件的形式存储，有两种常见的存储形式：行式存储和列式存储

行式存储

优点：
1、相关的数据保存在一起，比较符合面向对象的思维，因为一行数据就是一条记录
2、方便进行insert或update操作

缺点：
1、如果仅需要查询几列数据，它会把整行数据都读取出来，不能跳过不必要的列读取
2、由于每一行中列的数据类型不一致，导致不容易获得一个极高的压缩比（空间利用率不高）

textfile

• 行式存储
• 创建表时的默认格式
• 数据不做压缩，磁盘开销大，数据解析开销大
• 可以直接使用load就加载数据，不需要走MapReduce（因为不需要压缩）

sequencefile

• 行式存储

• 适合用于将小文件合并起来，可以获得更高效率的存储和计算

列式存储

优点：
1、查询时，只有涉及到的列才会被查询，可以跳过不必要的列查询
2、高效的压缩率，不仅节省储存空间也节省计算内存和CPU
3、任何列都可以作为索引

缺点：
1、不适合进行insert或update操作
2、不适合扫描小量的数据

ORC

全称为Optimized Row Columnar，最初产生自Apache Hive，用于降低Hadoop数据存储空间和加速Hive查询速度

它并不是一个单纯的列式存储格式，仍然是首先根据行组分割整个表，在每一个行组内进行按列存储

ORC文件是以二进制方式存储的，所以不可以直接读取，ORC文件也是自解析的

优点：

• 有多种文件压缩方式，并且有着很高的压缩比
• 文件是可切分（Split）的。因此，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，查询任务的输入数据量减少，使用的MapTask也就减少了
• 可以支持复杂的数据结构（比如Map等）

ORC结构（了解即可）

一个ORC文件可以分为若干个Stripe，一个stripe可以分为三个部分：

• Index Data：一个轻量级的index，默认是每隔1W行做一个索引（目录）。这里做的索引只是记录某行的各字段在Row Data中的offset
• Row Data：存储具体的数据，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。
• Strip Footer：存储各个stripe的元数据信息

每个ORC文件文件有一个File Footer，存储的是每个Stripe的行数以及Stripe中每个Column的数据类型信息等；

每个ORC文件文件的尾部是一个Post Script，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Post Script，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

parquet

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。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

ORC和Parquet区别

• ORC存储格式比Parquet压缩率更好
• Parquet格式对嵌套列的支持比较友好，可以只查询某个列中的嵌套子列，而不用查询其他的子列。
• ORC支持ACID事务，而Parquet目前还不支持。

压缩算法

数据压缩概念

优点：
1、减少存储磁盘空间，降低单节点的磁盘IO
2、由于压缩后的数据占用的带宽更少，因此可以加快数据在Hadoop集群流动的速度，减少网络传输带宽

缺点：
1、需要花费额外的时间/CPU做压缩和解压缩计算

问题：MR（Hive的底层是MR）哪些阶段可以进行压缩操作

1. 需要分析处理的数据在进入map前可以压缩，然后解压处理
2. map处理完成后的输出可以压缩，这样可以减少网络I/O(reduce通常和map不在同一节点上)
3. reduce拷贝压缩的数据后进行解压，处理完成后可以压缩存储在hdfs上，以减少磁盘占用量

压缩算法分类以及速度对比

压缩格式	压缩格式所在的类
Zlib	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.LzoCodec
Lz4	org.apache.hadoop.io.compress.Lz4Codec
Snappy	org.apache.hadoop.io.compress.SnappyCodec

问题：Zlib和Snappy两种压缩算法的对比？

Zlib 压缩率 高， 解压速度 慢
Snappy则与Zlib相反，按照业务情况来选择使用