Hive支持的文件格式与压缩算法-阿里云开发者社区

概述

只要是配置了正确的文件类型和压缩类型(比如Textfile+Gzip、SequenceFile+Snappy等)，Hive都可以按预期读取并解析数据，提供SQL功能。

SequenceFile本身的结构已经设计了内容进行压缩。所以对于SequenceFile文件的压缩，并不是先生成SequenceFile文件，再对文件进行压缩。而是生成SequenceFile文件时，对其中的内容字段进行压缩。最终压缩后，对外仍体现为一个SequenceFile。

RCFile、ORCFile、Parquet、Avro对于压缩的处理方式与SequenceFile相同。

文件格式

Textfile
SequenceFile
RCFile
ORCFile
Parquet
Avro

压缩算法的编解码器

TEXTFILE


 
 

  
  --创建一个表，格式为文本文件： 

  
  CREATE EXTERNAL TABLE student_text (id STRING, name STRING) 

  
  ROW FORMAT DELIMITED  

  
      FIELDS TERMINATED BY ','  

  
      LINES TERMINATED BY '\n' 

  
  STORED AS TEXTFILE; 

  
  --导入数据到此表中,将启动MR任务 

  
  INSERT OVERWRITE TABLE student_text SELECT * FROM student;

可查看到生成的数据文件的格式为非压缩的文本文件：


 
 

  
  hdfs dfs -cat /user/hive/warehouse/student_text/000000_0 

  
   

  
  1001810081,cheyo 

  
  1001810082,pku 

  
  1001810083,rocky 

  
  1001810084,stephen 

  
  2002820081,sql 

  
  2002820082,hello 

  
  2002820083,hijj 

  
  3001810081,hhhhhhh 

  
  3001810082,abbbbbb

文本文件,DEFLATE压缩


 
 

  
  --创建一个表，格式为文件文件： 

  
  CREATE TABLE student_text_def (id STRING, name STRING) 

  
  ROW FORMAT DELIMITED 

  
      FIELDS TERMINATED BY ',' 

  
      LINES TERMINATED BY '\n' 

  
  STORED AS TEXTFILE; 

  
  --设置压缩类型为Gzip压缩 

  
  SET hive.exec.compress.output=true; 

  
  SET mapred.output.compress=true; 

  
  SET mapred.output.compression.codec=org.apache.hadoop.io.compress.DefaultCodec;  

  
  --导入数据： 

  
  INSERT OVERWRITE TABLE student_text_def SELECT * FROM student; 

  
  --查看数据 

  
  SELECT * FROM student_text_def;

查看数据文件,可看到数据文件为多个.deflate文件。


 
 

  
  hdfs dfs -ls /user/hive/warehouse/student_text_def/ 

  
  -rw-r--r--   2015-09-16 12:48 /user/hive/warehouse/student_text_def/000000_0.deflate 

  
  -rw-r--r--   2015-09-16 12:48 /user/hive/warehouse/student_text_def/000001_0.deflate 

  
  -rw-r--r--   2015-09-16 12:48 /user/hive/warehouse/student_text_def/000002_0.deflate

文本文件,Gzip压缩


 
 

  
  --创建一个表，格式为文件文件： 

  
  CREATE TABLE student_text_gzip (id STRING, name STRING) 

  
  ROW FORMAT DELIMITED 

  
      FIELDS TERMINATED BY ',' 

  
      LINES TERMINATED BY '\n' 

  
  STORED AS TEXTFILE; 

  
  --设置压缩类型为Gzip压缩 

  
  SET hive.exec.compress.output=true; 

  
  SET mapred.output.compress=true; 

  
  SET mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec; 

  
  --导入数据： 

  
  INSERT OVERWRITE TABLE student_text_gzip SELECT * FROM student; 

  
  --查看数据 

  
  SELECT * FROM student_text_gzip;

查看数据文件,可看到数据文件为多个.gz文件。解开.gz文件，可以看到明文文本：


 
 

  
  hdfs dfs -ls /user/hive/warehouse/student_text_gzip/ 

  
  -rw-r--r--  2015-09-15 10:03 /user/hive/warehouse/student_text_gzip/000000_0.gz 

  
  -rw-r--r--  2015-09-15 10:03 /user/hive/warehouse/student_text_gzip/000001_0.gz 

  
  -rw-r--r--  2015-09-15 10:03 /user/hive/warehouse/student_text_gzip/000002_0.gz

文本文件,Bzip2压缩


 
 

  
  --创建一个表，格式为文件文件： 

  
  CREATE TABLE student_text_bzip2 (id STRING, name STRING) 

  
  ROW FORMAT DELIMITED 

  
      FIELDS TERMINATED BY ',' 

  
      LINES TERMINATED BY '\n' 

  
  STORED AS TEXTFILE; 

  
  --设置压缩类型为Bzip2压缩： 

  
  SET hive.exec.compress.output=true; 

  
  SET mapred.output.compress=true; 

  
  SET mapred.output.compression.codec=org.apache.hadoop.io.compress.BZip2Codec; 

  
  --导入数据 

  
  INSERT OVERWRITE TABLE student_text_bzip2 SELECT * FROM student; 

  
  --查看数据： 

  
  SELECT * FROM student_text_bzip2;

查看数据文件,可看到数据文件为多个.bz2文件。解开.bz2文件，可以看到明文文本：


 
 

  
  hdfs dfs -ls /user/hive/warehouse/student_text_bzip2 

  
  -rw-r--r--  2015-09-15 10:09 /user/hive/warehouse/student_text_bzip2/000000_0.bz2 

  
  -rw-r--r--  2015-09-15 10:09 /user/hive/warehouse/student_text_bzip2/000001_0.bz2 

  
  -rw-r--r--  2015-09-15 10:09 /user/hive/warehouse/student_text_bzip2/000002_0.bz2

文本文件,lzo压缩


 
 

  
  --创建表 

  
  CREATE TABLE student_text_lzo (id STRING, name STRING) 

  
  ROW FORMAT DELIMITED 

  
      FIELDS TERMINATED BY ',' 

  
      LINES TERMINATED BY '\n' 

  
  STORED AS TEXTFILE; 

  
  --设置为LZO压缩 

  
  SET hive.exec.compress.output=true; 

  
  SET mapred.output.compress=true; 

  
  SET mapred.output.compression.codec=com.hadoop.compression.lzo.LzopCodec; 

  
  --导入数据 

  
  INSERT OVERWRITE TABLE student_text_lzo SELECT * FROM student; 

  
  --查询数据 

  
  SELECT * FROM student_text_lzo;

查看数据文件,可看到数据文件为多个.lzo压缩。解开.lzo文件，可以看到明文文本。

未实测,需要安装lzop库

文本文件,lz4压缩


 
 

  
  --创建表 

  
  CREATE TABLE student_text_lz4 (id STRING, name STRING) 

  
  ROW FORMAT DELIMITED 

  
      FIELDS TERMINATED BY ',' 

  
      LINES TERMINATED BY '\n' 

  
  STORED AS TEXTFILE; 

  
  --设置为LZ4压缩 

  
  SET hive.exec.compress.output=true; 

  
  SET mapred.output.compress=true; 

  
  SET mapred.output.compression.codec=org.apache.hadoop.io.compress.Lz4Codec; 

  
  --导入数据 

  
  INSERT OVERWRITE TABLE student_text_lz4 SELECT * FROM student;

查看数据文件,可看到数据文件为多个.lz4压缩。使用cat查看.lz4文件，可以看到是压缩后的文本。


 
 

  
  hdfs dfs -ls /user/hive/warehouse/student_text_lz4 

  
  -rw-r--r-- 2015-09-16 12:06 /user/hive/warehouse/student_text_lz4/000000_0.lz4 

  
  -rw-r--r-- 2015-09-16 12:06 /user/hive/warehouse/student_text_lz4/000001_0.lz4 

  
  -rw-r--r-- 2015-09-16 12:06 /user/hive/warehouse/student_text_lz4/000002_0.lz4

文本文件,Snappy压缩


 
 

  
  --创建表 

  
  CREATE TABLE student_text_snappy (id STRING, name STRING) 

  
  ROW FORMAT DELIMITED 

  
      FIELDS TERMINATED BY ',' 

  
      LINES TERMINATED BY '\n' 

  
  STORED AS TEXTFILE; 

  
  --设置压缩 

  
  SET hive.exec.compress.output=true; 

  
  SET mapred.compress.map.output=true; 

  
  SET mapred.output.compress=true; 

  
  SET mapred.output.compression=org.apache.hadoop.io.compress.SnappyCodec; 

  
  SET mapred.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec; 

  
  SET io.compression.codecs=org.apache.hadoop.io.compress.SnappyCodec; 

  
  --导入数据 

  
  INSERT OVERWRITE TABLE student_text_snappy SELECT * FROM student; 

  
  --查询数据 

  
  SELECT * FROM student_text_snappy;

查看数据文件,可看到数据文件为多个.snappy压缩文件。使用cat查看.snappy文件，可以看到是压缩后的文本:


 
 

  
  hdfs dfs -ls /user/hive/warehouse/student_text_snappy 

  
  Found 3 items 

  
  -rw-r--r--   2015-09-15 16:42 /user/hive/warehouse/student_text_snappy/000000_0.snappy 

  
  -rw-r--r--   2015-09-15 16:42 /user/hive/warehouse/student_text_snappy/000001_0.snappy 

  
  -rw-r--r--   2015-09-15 16:42 /user/hive/warehouse/student_text_snappy/000002_0.snappy

SEQUENCEFILE

Sequence文件,DEFLATE压缩


 
 

  
  --创建一个表，格式为文件文件： 

  
  CREATE TABLE student_seq_def (id STRING, name STRING) 

  
  ROW FORMAT DELIMITED 

  
      FIELDS TERMINATED BY ',' 

  
      LINES TERMINATED BY '\n' 

  
  STORED AS SEQUENCEFILE; 

  
  --设置压缩类型为Gzip压缩 

  
  SET hive.exec.compress.output=true; 

  
  SET mapred.output.compress=true; 

  
  SET mapred.output.compression.codec=org.apache.hadoop.io.compress.DefaultCodec;  

  
  --导入数据： 

  
  INSERT OVERWRITE TABLE student_seq_def SELECT * FROM student; 

  
  --查看数据 

  
  SELECT * FROM student_seq_def;

查看数据文件,是一个密文的文件.


 
 

  
  hdfs dfs -ls /user/hive/warehouse/student_seq_def/ 

  
  -rw-r--r--  /user/hive/warehouse/student_seq_def/000000_0

Sequence文件,Gzip压缩


 
 

  
  --创建一个表，格式为文件文件： 

  
  CREATE TABLE student_seq_gzip (id STRING, name STRING) 

  
  ROW FORMAT DELIMITED 

  
      FIELDS TERMINATED BY ',' 

  
      LINES TERMINATED BY '\n' 

  
  STORED AS SEQUENCEFILE; 

  
  --设置压缩类型为Gzip压缩 

  
  SET hive.exec.compress.output=true; 

  
  SET mapred.output.compress=true; 

  
  SET mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec; 

  
  --导入数据： 

  
  INSERT OVERWRITE TABLE student_seq_gzip SELECT * FROM student; 

  
  --查看数据 

  
  SELECT * FROM student_seq_gzip;

查看数据文件,是一个密文的文件，无法通过gzip解压：


 
 

  
  hdfs dfs -ls /user/hive/warehouse/student_seq_gzip/ 

  
  -rw-r--r--  /user/hive/warehouse/student_seq_gzip/000000_0

RCFILE

RCFILE,Gzip压缩


 
 

  
  CREATE TABLE student_rcfile_gzip (id STRING, name STRING) 

  
  ROW FORMAT DELIMITED 

  
      FIELDS TERMINATED BY ',' 

  
      LINES TERMINATED BY '\n' 

  
  STORED AS RCFILE; 

  
   

  
  --设置压缩类型为Gzip压缩 

  
  SET hive.exec.compress.output=true; 

  
  SET mapred.output.compress=true; 

  
  SET mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec; 

  
  --导入数据： 

  
  INSERT OVERWRITE TABLE student_rcfile_gzip SELECT id,name FROM student; 

  
  --查看数据 

  
  SELECT * FROM student_rcfile_gzip;

ORCFile

ORCFile有自己的参数设置压缩格式，一般不使用上述Hive参数设置压缩参数。

ORCFile,ZLIB压缩


 
 

  
  --创建表 

  
  CREATE TABLE student_orcfile_zlib (id STRING, name STRING) 

  
  ROW FORMAT DELIMITED 

  
      FIELDS TERMINATED BY ',' 

  
      LINES TERMINATED BY '\n' 

  
  STORED AS ORCFILE TBLPROPERTIES ("orc.compress"="ZLIB"); 

  
   

  
  --导入数据 

  
  INSERT OVERWRITE TABLE student_orcfile_zlib SELECT id,name FROM student; 

  
  --查询数据 

  
  SELECT * FROM student_orcfile_zlib;

ORCFILE,Snappy压缩


 
 

  
  --创建表 

  
  CREATE TABLE student_orcfile_snappy2 (id STRING, name STRING) 

  
  ROW FORMAT DELIMITED 

  
      FIELDS TERMINATED BY ',' 

  
      LINES TERMINATED BY '\n' 

  
  STORED AS ORCFILE TBLPROPERTIES ("orc.compress"="SNAPPY"); 

  
   

  
  --导入数据 

  
  INSERT OVERWRITE TABLE student_orcfile_snappy2 SELECT id,name FROM student; 

  
  --查询数据 

  
  SELECT * FROM student_orcfile_snappy2;

一般不使用下述方式。下述方式压缩后，结果与上述同类型压缩(SNAPPY)不同。具体原因待进一步研究。


 
 

  
  --创建表 

  
  CREATE TABLE student_orcfile_snappy (id STRING, name STRING) 

  
  ROW FORMAT DELIMITED 

  
      FIELDS TERMINATED BY ',' 

  
      LINES TERMINATED BY '\n' 

  
  STORED AS ORCFILE; 

  
  --设置压缩 

  
  SET hive.exec.compress.output=true; 

  
  SET mapred.compress.map.output=true; 

  
  SET mapred.output.compress=true; 

  
  SET mapred.output.compression=org.apache.hadoop.io.compress.SnappyCodec; 

  
  SET mapred.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec; 

  
  SET io.compression.codecs=org.apache.hadoop.io.compress.SnappyCodec; 

  
  --导入数据 

  
  INSERT OVERWRITE TABLE student_orcfile_snappy SELECT id,name FROM student; 

  
  --查询数据 

  
  SELECT * FROM student_orcfile_snappy;

Parquet

Parquet,Snappy压缩


 
 

  
  --创建表 

  
  CREATE TABLE student_parquet_snappy (id STRING, name STRING) 

  
  ROW FORMAT DELIMITED 

  
      FIELDS TERMINATED BY ',' 

  
      LINES TERMINATED BY '\n' 

  
  STORED AS PARQUET; 

  
  --设置压缩 

  
  SET hive.exec.compress.output=true; 

  
  SET mapred.compress.map.output=true; 

  
  SET mapred.output.compress=true; 

  
  SET mapred.output.compression=org.apache.hadoop.io.compress.SnappyCodec; 

  
  SET mapred.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec; 

  
  SET io.compression.codecs=org.apache.hadoop.io.compress.SnappyCodec; 

  
  --导入数据 

  
  INSERT OVERWRITE TABLE student_parquet_snappy SELECT id,name FROM student; 

  
  --查询数据 

  
  SELECT * FROM student_parquet_snappy;

Avro

Avro,Snappy压缩


 
 

  
  --创建表 

  
  CREATE TABLE student_avro_snappy (id STRING, name STRING) 

  
  ROW FORMAT DELIMITED 

  
      FIELDS TERMINATED BY ',' 

  
      LINES TERMINATED BY '\n' 

  
  STORED AS AVRO; 

  
  --设置压缩 

  
  SET hive.exec.compress.output=true; 

  
  SET mapred.compress.map.output=true; 

  
  SET mapred.output.compress=true; 

  
  SET mapred.output.compression=org.apache.hadoop.io.compress.SnappyCodec; 

  
  SET mapred.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec; 

  
  SET io.compression.codecs=org.apache.hadoop.io.compress.SnappyCodec; 

  
  --导入数据 

  
  INSERT OVERWRITE TABLE student_avro_snappy SELECT id,name FROM student; 

  
  --查询数据 

  
  SELECT * FROM student_avro_snappy;

本文作者：hulubo

来源：51CTO

Hive支持的文件格式与压缩算法

热门文章

最新文章

相关课程

相关电子书

相关实验场景

热门

活动广场

任务中心

开发者评测

高校计划

乘风者计划

训练营

阿里云MVP

话题

直播

下载

镜像站

技术资料

插件