存储

存储

关注
发信
关注(28)粉丝(399)

Hive压缩和存储（十二）

压缩和存储

1、 Hadoop压缩配置

1) MR支持的压缩编码
DEFAULT无DEFAULT.deflate否
GzipgzipDEFAULT.gz否
bzip2bzip2bzip2.bz2是
LZOlzopLZO.lzo否
LZ4无LZ4.lz4否
Snappy无Snappy.snappy否

为了支持多种压缩/解压缩算法，Hadoop引入了编码/解码器，如下表所示

DEFLATEorg.apache.hadoop.io.compress.DefaultCodec
gziporg.apache.hadoop.io.compress.GzipCodec
bzip2org.apache.hadoop.io.compress.BZip2Codec
LZOcom.hadoop.compression.lzo.LzopCodec
LZ4org.apache.hadoop.io.compress.Lz4Codec
Snappyorg.apache.hadoop.io.compress.SnappyCodec
2) 压缩配置参数

要在Hadoop中启用压缩，可以配置如下参数（mapred-site.xml文件中）：

io.compression.codecs （在core-site.xml中配置）org.apache.hadoop.io.compress.DefaultCodec, org.apache.hadoop.io.compress.GzipCodec, org.apache.hadoop.io.compress.BZip2Codec,org.apache.hadoop.io.compress.Lz4Codec输入压缩Hadoop使用文件扩展名判断是否支持某种编解码器
mapreduce.map.output.compressfalsemapper输出这个参数设为true启用压缩
mapreduce.map.output.compress.codecorg.apache.hadoop.io.compress.DefaultCodecmapper输出使用LZO、LZ4或snappy编解码器在此阶段压缩数据
mapreduce.output.fileoutputformat.compressfalsereducer输出这个参数设为true启用压缩
mapreduce.output.fileoutputformat.compress.codecorg.apache.hadoop.io.compress. DefaultCodecreducer输出使用标准工具或者编解码器，如gzip和bzip2
mapreduce.output.fileoutputformat.compress.typeRECORDreducer输出SequenceFile输出使用的压缩类型：NONE和BLOCK
3) 开启Map输出阶段压缩

​开启map输出阶段压缩可以减少job中map和Reduce task间数据传输量。具体配置如下：

​案例实操：

--1）开启hive中间传输数据压缩功能

	hive (default)>set hive.exec.compress.intermediate=true;

--2）开启mapreduce中map输出压缩功能

	hive (default)>set mapreduce.map.output.compress=true;

--3）设置mapreduce中map输出数据的压缩方式

	hive (default)>set mapreduce.map.output.compress.codec= org.apache.hadoop.io.compress.SnappyCodec;

--4）执行查询语句

hive (default)> select count(*) from aaaa;
4) 开启Reduce输出阶段压缩

​当Hive将输出写入到表中时，输出内容同样可以进行压缩。属性hive.exec.compress.output控制着这个功能。用户可能需要保持默认设置文件中的默认值false，这样默认的输出就是非压缩的纯文本文件了。用户可以通过在查询语句或执行脚本中设置这个值为true，来开启输出结果压缩功能。

案例实操：

--1）开启hive最终输出数据压缩功能

	hive (default)>set hive.exec.compress.output=true;

--2）开启mapreduce最终输出数据压缩

	hive (default)>set mapreduce.output.fileoutputformat.compress=true;

--3）设置mapreduce最终数据输出压缩方式

	hive (default)> set mapreduce.output.fileoutputformat.compress.codec = org.apache.hadoop.io.compress.SnappyCodec;

--4）设置mapreduce最终数据输出压缩为块压缩

	hive (default)> set mapreduce.output.fileoutputformat.compress.type=BLOCK;

--5）测试一下输出结果是否是压缩文件

	hive (default)> insert overwrite local directory '/root/data' select * from aaaa;

2、文件存储格式

​Hive支持的存储数的格式主要有：TEXTFILE 、SEQUENCEFILE、ORC、PARQUET。

1) 列式存储和行式存储

Hive压缩和存储（十二）-LMLPHP

上图左边为逻辑表，右边第一个为行式存储，第二个为列式存储。

行存储的特点： 查询满足条件的一整行数据的时候，列存储则需要去每个聚集的字段找到对应的每个列的值，行存储只需要找到其中一个值，其余的值都在相邻地方，所以此时行存储查询的速度更快。

列存储的特点： 因为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；每个字段的数据类型一定是相同的，列式存储可以针对性的设计更好的设计压缩算法。

TEXTFILE和SEQUENCEFILE的存储格式都是基于行存储的；

ORC和PARQUET是基于列式存储的。

2) TEXTFILE格式

默认格式，数据不做压缩，磁盘开销大，数据解析开销大。可结合Gzip、Bzip2使用(系统自动检查，执行查询时自动解压)，但使用这种方式，hive不会对数据进行切分，从而无法对数据进行并行操作。

3) ORC格式

​Orc (Optimized Row Columnar)是hive 0.11版里引入的新的存储格式。

​可以看到每个Orc文件由1个或多个stripe组成，每个stripe250MB大小，这个Stripe实际相当于RowGroup概念，不过大小由4MB->250MB，这样应该能提升顺序读的吞吐率。每个Stripe里有三部分组成，分别是Index Data,Row Data,Stripe Footer：

Hive压缩和存储（十二）-LMLPHP

	1）Index Data：一个轻量级的index，默认是每隔1W行做一个索引。这里做的索引应该只是记录某行的各字段在Row Data中的offset。

	2）Row Data：存的是具体的数据，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。

​ 3）Stripe Footer：存的是各个Stream的类型，长度等信息。

​每个文件有一个File Footer，这里面存的是每个Stripe的行数，每个Column的数据类型信息等；每个文件的尾部是一个PostScript，这里面记录了整个文件的压缩类型以及FileFooter的长度信息等。在读取文件时，会seek到文件尾部读PostScript，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。

4) PARQUET格式

​Parquet是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的，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。Parquet文件的格式如下图所示。

Hive压缩和存储（十二）-LMLPHP

​上图展示了一个Parquet文件的内容，一个文件中可以存储多个行组，文件的首位都是该文件的Magic Code，用于校验它是否是一个Parquet文件，Footer length记录了文件元数据的大小，通过该值和文件长度可以计算出元数据的偏移量，文件的元数据中包括每一个行组的元数据信息和该文件存储数据的Schema信息。除了文件中每一个行组的元数据，每一页的开始都会存储该页的元数据，在Parquet中，有三种类型的页：数据页、字典页和索引页。数据页用于存储当前行组中该列的值，字典页存储该列值的编码字典，每一个列块中最多包含一个字典页，索引页用来存储当前行组下该列的索引，目前Parquet中还不支持索引页。

5) 主流文件存储格式对比实验

​从存储文件的压缩比和查询速度两个角度对比。

​存储文件的压缩比测试：

--1）TextFile

--（1）创建表，存储数据格式为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 '\t'stored as textfile ;

--（2）向表中加载数据

	hive (default)> load data local inpath '/root/log' into table log_text ;

--（3）查看表中数据大小

	dfs -du -h /user/hive/warehouse/log_text;

	18.1 M  /user/hive/warehouse/log_text/log.data

--2）ORC

--（1）创建表，存储数据格式为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 '\t'stored as orc ;

--（2）向表中加载数据

	insert into table log_orc select * from log_text ;

--（3）查看表中数据大小

	dfs -du -h /user/hive/warehouse/log_orc/ ;

	2.8 M  /user/hive/warehouse/log_orc/000000_0

--3）Parquet

--（1）创建表，存储数据格式为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 '\t'stored as parquet ;

--（2）向表中加载数据

	insert into table log_parquet select * from log_text ;

--（3）查看表中数据大小

	dfs -du -h /user/hive/warehouse/log_parquet/ ;

	13.1 M  /user/hive/warehouse/log_parquet/000000_0

--存储文件的压缩比总结：

	ORC >  Parquet >  textFile

3、存储和压缩结合

​官网：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+ORC

​ORC存储方式的压缩：

orc.compressZLIBhigh level compression (one of NONE, ZLIB, SNAPPY)
orc.compress.size262,144number of bytes in each compression chunk
orc.stripe.size67,108,864number of bytes in each stripe
orc.row.index.stride10,000number of rows between index entries (must be >= 1000)
orc.create.indextruewhether to create row indexes
orc.bloom.filter.columns""comma separated list of column names for which bloom filter should be created
orc.bloom.filter.fpp0.05false positive probability for bloom filter (must >0.0 and <1.0)
--1）创建一个非压缩的的ORC存储方式

--（1）建表语句

	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 '\t'stored as orc tblproperties ("orc.compress"="NONE");

--（2）插入数据

	insert into table log_orc_none select * from log_text ;

--（3）查看插入后数据

	dfs -du -h /user/hive/warehouse/log_orc_none/ ;

	7.7 M  /user/hive/warehouse/log_orc_none/000000_0

--2）创建一个SNAPPY压缩的ORC存储方式

--（1）建表语句

	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 '\t'stored as orc tblproperties ("orc.compress"="SNAPPY");

--（2）插入数据

	insert into table log_orc_snappy select * from log_text ;

--（3）查看插入后数据

	dfs -du -h /user/hive/warehouse/log_orc_snappy/ ;

	3.8 M  /user/hive/warehouse/log_orc_snappy/000000_0

--3）上一节中默认创建的ORC存储方式，导入数据后的大小为

	2.8 M  /user/hive/warehouse/log_orc/000000_0

--总结

	比Snappy压缩的还小。原因是orc存储文件默认采用ZLIB压缩。比snappy压缩的小。
05-27 19:18
Powered by LMLPHP ©2024 存储 0.043825