深入理解Hive数据存储格式和压缩要点

Hadoop源码编译支持Snappy压缩

前期准备工作

1.CentOS联网  

# vi /etc/sysconfig/network-scripts/ifcfg-eth0

DEVICE=eth0

HWADDR=00:0c:29:ca:6e:ec

TYPE=Ethernet

UUID=9e008bf7-44f6-4e72-8ead-71b8ea7a9b5b

ONBOOT=yes

NM_CONTROLLED=yes

BOOTPROTO=dhcp

# service network restart

注意:采用root角色编译,减少文件夹权限出现问题

2.jar包准备(hadoop源码、JDK7、 maven、 ant 、protobuf)

hadoop-2.7.2-src.tar.gz

jdk-7u79-linux-x64.gz (注意版本 目前普遍JDK8)

snappy-1.1.3.tar.gz

apache-maven-3.0.5-bin.tar.gz

protobuf-2.5.0.tar.gz

jar包安装

1.注意:所有操作必须在root用户下完成

2.JDK解压、配置环境变量JAVA_HOME和PATH,验证java -version(如下都需要验证是否配置成功)

# tar -zxf jdk-7u79-linux-x64.gz -C /opt/module/

# vi /etc/profile

# JAVA_HOME

export JAVA_HOME=/opt/module/jdk1.7.0_79

export PATH=$PATH:$JAVA_HOME/bin

# source /etc/profile

验证命令:java -version

3.Maven解压、配置  MAVEN_HOME和PATH。

# tar -zxvf apache-maven-3.0.5-bin.tar.gz -C /opt/module/

# vi /etc/profile

#MAVEN_HOME

export MAVEN_HOME=/opt/module/apache-maven-3.0.5

export PATH=$PATH:$MAVEN_HOME/bin

#source /etc/profile

验证命令:mvn -version

编译源码

准备编译环境

# yum install svn

# yum install autoconf automake libtool cmake

# yum install ncurses-devel

# yum install openssl-devel

# yum install gcc*

编译安装snappy

# tar -zxvf snappy-1.1.3.tar.gz -C /opt/module/

# cd snappy-1.1.3/

# ./configure

# make

# make install

查看snappy库文件

# ls -lh /usr/local/lib |grep snappy

编译安装protobuf

# tar -zxvf protobuf-2.5.0.tar.gz -C /opt/module/

# cd protobuf-2.5.0/

# ./configure

# make

# make install

查看protobuf版本以测试是否安装成功

# protoc --version

编译hadoop native

# tar -zxvf hadoop-2.7.2-src.tar.gz

# cd hadoop-2.7.2-src/

# mvn clean package -DskipTests -Pdist,native -Dtar -Dsnappy.lib=/usr/local/lib -Dbundle.snappy

执行成功后,/opt/software/hadoop-2.7.2-src/hadoop-dist/target/hadoop-2.7.2.tar.gz即为新生成的支持snappy压缩的二进制安装包。

Hadoop压缩配置

MR支持的压缩编码格式

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

压缩性能的比较

http://google.github.io/snappy/

On a single core of a Core i7 processor in 64-bit mode, Snappy compresses at about 250 MB/sec or more and decompresses at about 500 MB/sec or more.

It aims for very high speeds and reasonable compression. 

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):

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:

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(ename) name from emp;

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

insert overwrite local directory '/opt/module/datas/distribute-result' select * from emp distribute by deptno sort by empno desc;

文件存储格式

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

列式存储和行式存储

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。

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。

ORC格式

ORC-based tables are supported in Hive 0.14.0 and later. These tables can contain more than 1,000 columns. 

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:

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。

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。

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。

主流文件存储格式对比实验

从存储文件的 压缩比 查询速度 两个角度对比。

存储文件的压缩比测试:

0.测试数据

log.data

1.TextFile

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 ;

向表中加载数据

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

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

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 ;

向表中加载数据

insert into table log_orc select * from log_text ;

查看表中数据大小

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

2.8 M /user/hive/warehouse/log_orc/123456_0

3.Parquet

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 ;

向表中加载数据

insert into table log_parquet select * from log_text ;

查看表中数据大小

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

13.1 M /user/hive/warehouse/log_parquet/123456_0

存储文件的压缩比总结:

ORC >  Parquet > TextFile

存储文件的查询速度测试:

1.TextFile

hive (default)> select count(*) from log_text;

_c0

100000

Time taken: 21.54 seconds, Fetched: 1 row(s)

2.ORC

hive (default)> select count(*) from log_orc;

_c0

100000

Time taken: 20.867 seconds, Fetched: 1 row(s)

3.Parquet

hive (default)> select count(*) from log_parquet;

_c0

100000

Time taken: 22.922 seconds, Fetched: 1 row(s)

存储文件的查询速度总结:

ORC > TextFile > Parquet

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:

注意:所有关于ORCFile的参数都是在HQL语句的TBLPROPERTIES字段里面出现。

1.创建一个非压缩的的ORC存储方式

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");

插入数据

insert into table log_orc_none select * from log_text ;

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/123456_0

2.创建一个SNAPPY压缩的ORC存储方式

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");

插入数据

insert into table log_orc_snappy select * from log_text ;

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/123456_0

3.上面默认创建的ORC存储方式,导入数据后的大小为

2.8 M  /user/hive/warehouse/log_orc/123456_0

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。

4.存储方式和压缩总结:

在实际的项目开发当中,hive表的数据存储格式一般选择:orc或parquet。压缩方式一般选择snappy。

推荐阅读:

Hive-函数

Hive-查询

Hive-DML(Data Manipulation Language)数据操作语言

Hive-DDL(Data Definition Language)数据定义

Hive优化(整理版)

Spark Core之Shuffle解析

数据仓库开发规范

我来评几句
登录后评论

已发表评论数()

相关站点

+订阅
热门文章