Hive学习---6、文件格式和压缩

1、文件格式和压缩

1.1 Hadoop压缩概述

由于Hive是相当于与Hadoop的客户端，所以hadoop会啥压缩，Hive基本就会啥压缩。

压缩性能的比较

1.2 Hive文件格式

为Hive表中的数据选择一个合适的文件格式，对提高查询性能的提高是十分有益的。Hive表数据的存储格式，可以选择text file、orc、parquet、sequence filed等。

1.2.1 Text File

文本文件是Hive默认使用的文件格式，文本文件中的一行内容，就对应Hive表中的一行记录。

可以通过以下建表语句指定文件格式为文本文件

create table table_name
(colum_specs)
stroed as textfile;

1.2.2 ORC

1、文件格式

ORC（Optimized Row Columnar）file format 是Hive 0.11版里引入的一种列式储存的文件格式。ORC文件能够提高Hive读写数据和处理数据的性能。

与列示储存相对的是行式储存，下图是两者的对比

如图所示左边为逻辑表，右边第一个是行式储存，第二个为列式储存。

（1）行储存的特点

查询满足条件的一整行数据的时候，列示储存则需要去每个聚集的字段找到对应的每个列的值，行式储存只需要找到其中的一个值，其余的值都在相邻的地方，所以此时行储存查询的速度更快。

（2）列储存的特点

因为每个字段的数据都聚集储存，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；每个字段的数据类型一定是相同的，列式储存可以针对性的设计更好的设计压缩算法。

前文提到的text file和sequence file都是基于行储存的，orc和parquet是基于列式储存的。

orc文件的具体结果如下图所示：

每个ORC稳定有Header、Body和Tail三部分组成。

其中Header内容为ORC，用于表示文件类型。

Body有一个或多个strip组成，每个stripe一般为HDFS的块大小，每一个strip包含多条记录，这些记录按照列进行独立储存，每个stripe里有三部分组成，分别是Index Data，Row Data，Stripe Footer。

Index Data：一个轻量级index，默认是为各列每隔1w行做一个索引。每个索引会记录第n万行的位置，和最近一万行的最大值和最小值等信息。

Row Data：存的是具体的数据，按列进行储存，并对每个列进行编码，分成多个Stripe来储存。

Stripe Footer：存放的是各个Stripe的文职以及各column的编码信息。

Tail由File Footer和PostScript组成。FIle Footer中保存了各Stripe的起始位置、索引长度、数据长度信息，各Column的统计信息等；PostStript记录了整个文件的压缩类型以及File Footer的长度信息。

在读取ORC文件的时候，会先从最后一个字节读取PostScript长度，进而读取到postScript，从里面解析到File Footer长度，进而读取FileFooter,从中解析到各个Stripe信息，再读各个Stripe，即从后往前读。

（3）建表语句

create table table_name
(column_specs)
stored as orc
tblproperties(property_name=property_value)

ORC文件格式支持的参数如下：

1.1.3 Parquet

Parquet文件是Hadoop生态中一个通用的文件格式，它也是一个列式储存的文件格式。

Parquet文件的格式如下图所示：

上图展示了一个Parquet文件的基本结构，文件的首尾都是该文件的Magic Code，用于校验它是否是一个Parquet文件。

首尾中间由若干个Row Group 和Footer（File Meta Data）组成。

每个Row Group包含多个Column Chunk，每个Column Chunk包含多个Page。以下是Row Group、Column Chunk和Page三个概念的说明：

行组（Row Group）：一个行组对应逻辑表中的若干行

列块（Column Chunk）：一个行组中的一列保存在一个列块中

页（Page）：一个列块的数据会划分为若干个页。

Footer（File Meta Data）中存储了每个行组（Row Group）中的每个列块（Column Chunk）的元数据信息，元数据信息包括了该列的数据类型、该列的编码方式、该类的Data Page位置等信息。

建表语句

create table table_name
(column_specs)
stored as parquet
tblproperties(property_name=property_value,...)

支持的参数如下：

1.3 压缩

在Hive表和计算过程中，保存数据的压缩，对磁盘空间的有效利用和提高查询性能都是十分有益的。

1.3.1 Hive表数据进行压缩

在Hive中，不同文件类型的表，声明数据压缩的方式是不同的。

1、TextFile

若一张表的文件类型为TextFile，若需要对该表中的数据进行压缩，多数情况下，无需在建表语句做出声明。直接将压缩的文件导入到该表即可，Hive在查询表中数据时，可自动识别其压缩格式，进行解压。

需要注意的是，在执行往表中导入数据的SQL语句时，用户需设置以下参数，来保证写入表中的数据是被压缩的。

--SQL语句的最终输出结果是否压缩
set hive.exec.compress.output=true;
--输出结果的压缩格式（下面示例是snappy）
set mapreduce.output.fileoutputformat.compress.codec=org.apache.hadoop.io.compress.SnappyCodec;

2、ORC

若一张表的文件类型是ORC，若需要对该表进行压缩，需要在建表语句中声明压缩格式如下：

create table orc_table
(column_specs)
stored as orc
tblproperties("orc.compredd"="snappy");

3、Parquet

若一张表的文件类型为Parquet，若需要对该表数据进行压缩，需在建表语句中声明压缩格式如下：

create table Parquet_table
(column_specs)
stored as parquet
tblproperties("parquet.compression"="snappy");

1.3.2 计算过程中使用压缩

1、单个MR的中间结果进行压缩

单个MR的中间结果是指Mapper输出的数据，对其进行压缩可降低shuffle阶段的网络IO，可通过以下参数进行配置：

--开启MapReduce中间数据压缩功能
set mapreduce.map.output.compress=true;
--设置MapReduce中间数据的压缩方式（下面以snappy为例）
set mapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.SnappyCodec;

2、单条SQL语句的中间结果进行压缩

单条SQL语句的中间结果是指，两个MR（一条SQL语句可能需要通过MR进行计算）之间的临时数据，可通过以下参数进行配置：

--是否对两个MR之间的临时数据进行压缩
set hive.exec.compress.intermediate=true;
--压缩格式
set hive.intermediate.compression.codec=org.apache.hadoop.io.compress.SnappyCodec;