五、存儲與壓縮

5．1 Hive存儲格式

Hive支持的存儲數(shù)的格式主要有:TEXTFILE(行式存儲) 、SEQUENCEFILE(行式存儲)、ORC(列式存儲)、PARQUET(列式存儲)。

5．1．1 行式存儲和列式存儲

上圖左邊為邏輯表,右邊第一個為行式存儲,第二個為列式存儲。

行存儲的特點: 查詢滿足條件的一整行數(shù)據(jù)的時候,列存儲則需要去每個聚集的字段找到對應(yīng)的每個列的值,行存儲只需要找到其中一個值,其余的值都在相鄰地方,所以此時行存儲查詢的速度更快。select  *

列存儲的特點: 因為每個字段的數(shù)據(jù)聚集存儲,在查詢只需要少數(shù)幾個字段的時候,能大大減少讀取的數(shù)據(jù)量;每個字段的數(shù)據(jù)類型一定是相同的,列式存儲可以針對性的設(shè)計更好的設(shè)計壓縮算法。select   某些字段效率更高。

5．1．2 TEXTFILE

默認(rèn)格式,數(shù)據(jù)不做壓縮,磁盤開銷大,數(shù)據(jù)解析開銷大�？山Y(jié)合Gzip、Bzip2使用(系統(tǒng)自動檢查,執(zhí)行查詢時自動解壓),但使用這種方式,hive不會對數(shù)據(jù)進(jìn)行切分,從而無法對數(shù)據(jù)進(jìn)行并行操作。

5．1．3 ORC格式

Orc (Optimized Row Columnar)是hive 0．11版里引入的新的存儲格式。

可以看到每個Orc文件由1個或多個stripe組成,每個stripe250MB大小,這個Stripe實際相當(dāng)于RowGroup概念,不過大小由4MB->250MB,這樣能提升順序讀的吞吐率。每個Stripe里有三部分組成,分別是Index Data,Row Data,Stripe Footer:

Index Data:一個輕量級的index,默認(rèn)是每隔1W行做一個索引。這里做的索引只是記錄某行的各字段在Row Data中的offset。

Row Data:存的是具體的數(shù)據(jù),先取部分行,然后對這些行按列進(jìn)行存儲。對每個列進(jìn)行了編碼,分成多個Stream來存儲。

Stripe Footer:存的是各個stripe的元數(shù)據(jù)信息

每個文件有一個File Footer,這里面存的是每個Stripe的行數(shù),每個Column的數(shù)據(jù)類型信息等;每個文件的尾部是一個PostScript,這里面記錄了整個文件的壓縮類型以及FileFooter的長度信息等。在讀取文件時,會seek到文件尾部讀PostScript,從里面解析到File Footer長度,再讀FileFooter,從里面解析到各個Stripe信息,再讀各個Stripe,即從后往前讀。

5．1．4 PARQUET格式

Parquet是面向分析型業(yè)務(wù)的列式存儲格式,由Twitter和Cloudera合作開發(fā),2015年5月從Apache的孵化器里畢業(yè)成為Apache頂級項目。

Parquet文件是以二進(jìn)制方式存儲的,所以是不可以直接讀取的,文件中包括該文件的數(shù)據(jù)和元數(shù)據(jù),因此Parquet格式文件是自解析的。

通常情況下,在存儲Parquet數(shù)據(jù)的時候會按照Block大小設(shè)置行組的大小,由于一般情況下每一個Mapper任務(wù)處理數(shù)據(jù)的最小單位是一個Block,這樣可以把每一個行組由一個Mapper任務(wù)處理,增大任務(wù)執(zhí)行并行度。Parquet文件的格式如下圖所示。

上圖展示了一個Parquet文件的內(nèi)容,一個文件中可以存儲多個行組,文件的首位都是該文件的Magic Code,用于校驗它是否是一個Parquet文件,Footer length記錄了文件元數(shù)據(jù)的大小,通過該值和文件長度可以計算出元數(shù)據(jù)的偏移量,文件的元數(shù)據(jù)中包括每一個行組的元數(shù)據(jù)信息和該文件存儲數(shù)據(jù)的Schema信息。除了文件中每一個行組的元數(shù)據(jù),每一頁的開始都會存儲該頁的元數(shù)據(jù),在Parquet中,有三種類型的頁:數(shù)據(jù)頁、字典頁和索引頁。數(shù)據(jù)頁用于存儲當(dāng)前行組中該列的值,字典頁存儲該列值的編碼字典,每一個列塊中最多包含一個字典頁,索引頁用來存儲當(dāng)前行組下該列的索引,目前Parquet中還不支持索引頁。

5．2 Hive壓縮格式

在實際工作當(dāng)中,hive當(dāng)中處理的數(shù)據(jù),一般都需要經(jīng)過壓縮,前期我們在學(xué)習(xí)hadoop的時候,已經(jīng)配置過hadoop的壓縮,我們這里的hive也是一樣的可以使用壓縮來節(jié)省我們的MR處理的網(wǎng)絡(luò)帶寬

mr支持的壓縮格式:

壓縮格式工具算法文件擴(kuò)展名是否可切分DEFAULT無DEFAULT．deflate否GzipgzipDEFAULT．gz否bzip2bzip2bzip2．bz2是LZOlzopLZO．lzo否LZ4無LZ4．lz4否Snappy無Snappy．snappy否

hadoop支持的解壓縮的類:

壓縮格式對應(yīng)的編碼/解碼器DEFLATEorg．a(chǎn)pache．hadoop．io．compress．DefaultCodecgziporg．a(chǎn)pache．hadoop．io．compress．GzipCodecbzip2org．a(chǎn)pache．hadoop．io．compress．BZip2CodecLZOcom．hadoop．compression．lzo．LzopCodecLZ4org．a(chǎn)pache．hadoop．io．compress．Lz4CodecSnappyorg．a(chǎn)pache．hadoop．io．compress．SnappyCodec

壓縮性能的比較:

壓縮算法原始文件大小壓縮文件大小壓縮速度解壓速度gzip8．3GB1．8GB17．5MB/s58MB/sbzip28．3GB1．1GB2．4MB/s9．5MB/sLZO8．3GB2．9GB49．3MB/s74．6MB/s

Snappy生成的壓縮文件要大20%到100%。在64位模式下的core i7處理器的單內(nèi)核上,Snappy以250 MB/秒或更多的速度壓縮,并以500 MB/秒或更多的速度解壓。

實現(xiàn)壓縮hadoop需要配置的壓縮參數(shù):

hive配置壓縮的方式:

開啟map端的壓縮方式:1．1)開啟hive中間傳輸數(shù)據(jù)壓縮功能
hive (default)>set hive．exec．compress．intermediate=true;
1．2)開啟mapreduce中map輸出壓縮功能
hive (default)>set mapreduce．map．output．compress=true;
1．3)設(shè)置mapreduce中map輸出數(shù)據(jù)的壓縮方式
hive (default)>set mapreduce．map．output．compress．codec= org．a(chǎn)pache．hadoop．io．compress．SnappyCodec;
1．4)執(zhí)行查詢語句
select count(1) from score;
開啟reduce端的壓縮方式1)開啟hive最終輸出數(shù)據(jù)壓縮功能
hive (default)>set hive．exec．compress．output=true;
2)開啟mapreduce最終輸出數(shù)據(jù)壓縮
hive (default)>set mapreduce．output．fileoutputformat．compress=true;
3)設(shè)置mapreduce最終數(shù)據(jù)輸出壓縮方式
hive (default)> set mapreduce．output．fileoutputformat．compress．codec = org．a(chǎn)pache．hadoop．io．compress．SnappyCodec;
4)設(shè)置mapreduce最終數(shù)據(jù)輸出壓縮為塊壓縮
hive (default)>set mapreduce．output．fileoutputformat．compress．type=BLOCK;
5)測試一下輸出結(jié)果是否是壓縮文件
insert overwrite local directory '/export/servers/snappy' select * from score distribute by s_id sort by s_id desc;
5．3  存儲和壓縮相結(jié)合

ORC存儲方式的壓縮:

KeyDefaultNotesorc．compressZLIB高級壓縮(可選: NONE, ZLIB, SNAPPY)orc．compress．size262,144每個壓縮塊中的字節(jié)數(shù)orc．stripe．size67,108,864每條stripe中的字節(jié)數(shù)orc．row．index．stride10,000索引條目之間的行數(shù)(必須是>= 1000)orc．create．indextrue是否創(chuàng)建行索引orc．bloom．filter．columns""逗號分隔的列名列表,應(yīng)該為其創(chuàng)建bloom過濾器orc．bloom．filter．fpp0．05bloom過濾器的假陽性概率(必須是>0．0和<1．0)

創(chuàng)建一個非壓縮的ORC存儲方式:

1)建表語句
   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 ' ' STORED AS orc tblproperties ("orc．compress"="NONE");
2)插入數(shù)據(jù)
insert into table log_orc_none select * from log_text ;
3)查看插入后數(shù)據(jù)
dfs -du -h /user/hive/warehouse/myhive．db/log_orc_none;
結(jié)果顯示:
7．7 M  /user/hive/warehouse/log_orc_none/123456_0

創(chuàng)建一個SNAPPY壓縮的ORC存儲方式:

1)建表語句
   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 ' ' STORED AS orc tblproperties ("orc．compress"="SNAPPY");
2)插入數(shù)據(jù)
insert into table log_orc_snappy select * from log_text ;
3)查看插入后數(shù)據(jù)
dfs -du -h /user/hive/warehouse/myhive．db/log_orc_snappy ;
結(jié)果顯示:
3．8 M  /user/hive/warehouse/log_orc_snappy/123456_0
4)上一節(jié)中默認(rèn)創(chuàng)建的ORC存儲方式,導(dǎo)入數(shù)據(jù)后的大小為
2．8 M  /user/hive/warehouse/log_orc/123456_0
比Snappy壓縮的還小。原因是orc存儲文件默認(rèn)采用ZLIB壓縮。比snappy壓縮的小。
5)存儲方式和壓縮總結(jié):
在實際的項目開發(fā)當(dāng)中,hive表的數(shù)據(jù)存儲格式一般選擇:orc或parquet。壓縮方式一般選擇snappy。
5．4 主流存儲文件性能對比

從存儲文件的壓縮比和查詢速度兩個角度對比。

壓縮比比較:

TextFile(1)創(chuàng)建表,存儲數(shù)據(jù)格式為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 ' ' STORED AS TEXTFILE ;
(2)向表中加載數(shù)據(jù)
load data local inpath '/export/servers/hivedatas/log．data' into table log_text ;
(3)查看表中數(shù)據(jù)大小,大小為18．1M
dfs -du -h /user/hive/warehouse/myhive．db/log_text;
結(jié)果顯示:
18．1 M  /user/hive/warehouse/log_text/log．data
ORC(1)創(chuàng)建表,存儲數(shù)據(jù)格式為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 ' ' STORED AS orc ;
(2)向表中加載數(shù)據(jù)
insert into table log_orc select * from log_text ;
(3)查看表中數(shù)據(jù)大小
dfs -du -h /user/hive/warehouse/myhive．db/log_orc;
結(jié)果顯示:
2．8 M  /user/hive/warehouse/log_orc/123456_0
Parquet1)創(chuàng)建表,存儲數(shù)據(jù)格式為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 ' ' STORED AS PARQUET ;
2)向表中加載數(shù)據(jù)
insert into table log_parquet select * from log_text ;
3)查看表中數(shù)據(jù)大小
dfs -du -h /user/hive/warehouse/myhive．db/log_parquet;
結(jié)果顯示:
13．1 M  /user/hive/warehouse/log_parquet/123456_0

數(shù)據(jù)壓縮比結(jié)論:

ORC >  Parquet >  textFile

存儲文件的查詢效率測試

textFilehive (default)> select count(*) from log_text;
_c0
100000
Time taken: 21．54 seconds, Fetched: 1 row(s)  
ORChive (default)> select count(*) from log_orc;
_c0
100000
Time taken: 20．867 seconds, Fetched: 1 row(s)
Parquethive (default)> select count(*) from log_parquet;
_c0
100000
Time taken: 22．922 seconds, Fetched: 1 row(s)

存儲文件的查詢效率比較:

ORC > TextFile > Parquet