5Hive存储与压缩

news/2025/1/15 18:56:23 标签: hive

5Hive存储与压缩

  • 1Hive存储格式
    • 1.1行式存储和列式存储
    • 1.2 TEXTFILE
    • 1.3 ORC格式
    • 1.4 PARQUET格式
  • 2Hive压缩格式
  • 3存储和压缩相结合
  • 4主流存储文件性能对比

1Hive存储格式

Hive支持的存储数的格式主要有：TEXTFILE（行式存储） 、SEQUENCEFILE(行式存储)、ORC（列式存储）、PARQUET（列式存储）。

1.1行式存储和列式存储

在这里插入图片描述
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。select *

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。 select 某些字段效率更高。

1.2 TEXTFILE

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。

1.3 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：
在这里插入图片描述
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stripe的元数据信息
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。

1.4 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。
在这里插入图片描述
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。

2Hive压缩格式

在实际工作当中，hive当中处理的数据，一般都需要经过压缩，前期我们在学习hadoop的时候，已经配置过hadoop的压缩，我们这里的hive也是一样的可以使用压缩来节省我们的MR处理的网络带宽

mr支持的压缩格式:
在这里插入图片描述
hadoop支持的解压缩的类：
在这里插入图片描述
压缩性能的比较：
在这里插入图片描述
Snappy生成的压缩文件要大20%到100%。在64位模式下的core i7处理器的单内核上，Snappy以250 MB/秒或更多的速度压缩，并以500 MB/秒或更多的速度解压。

实现压缩hadoop需要配置的压缩参数:
在这里插入图片描述
hive配置压缩的方式:
1.开启map端的压缩方式:
1.1）开启hive中间传输数据压缩功能

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

1.2）开启mapreduce中map输出压缩功能

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

1.3）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;

1.4）执行查询语句

 select count(1) from score;

2.开启reduce端的压缩方式
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 '/export/servers/snappy' select * from score distribute by s_id sort by s_id desc;

3存储和压缩相结合

ORC存储方式的压缩：
在这里插入图片描述
创建一个非压缩的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/myhive.db/log_orc_none;

结果显示:

 7.7 M  /user/hive/warehouse/log_orc_none/123456_0

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/myhive.db/log_orc_snappy ;

结果显示:

 3.8 M  /user/hive/warehouse/log_orc_snappy/123456_0

4）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/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。
5）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。

4主流存储文件性能对比

从存储文件的压缩比和查询速度两个角度对比。
压缩比比较：
-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

 load data local inpath '/export/servers/hivedatas/log.data' into table log_text ;

（3）查看表中数据大小，大小为18.1M

 dfs -du -h /user/hive/warehouse/myhive.db/log_text;

结果显示:

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

-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/myhive.db/log_orc;

结果显示:

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

-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/myhive.db/log_parquet;

结果显示:

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

数据压缩比结论:
ORC > Parquet > textFile
存储文件的查询效率测试
-textFile

hive (default)> select count(*) from log_text;
_c0
100000
Time taken: 21.54 seconds, Fetched: 1 row(s)

-ORC

hive (default)> select count(*) from log_orc;
_c0
100000
Time taken: 20.867 seconds, Fetched: 1 row(s)

-Parquet

hive (default)> select count(*) from log_parquet; 
_c0
100000
Time taken: 22.922 seconds, Fetched: 1 row(s)

存储文件的查询效率比较:
ORC > TextFile > Parquet


http://www.niftyadmin.cn/n/5824296.html

相关文章

【JavaScript】基础内容，HTML如何引用JavaScript, JS 常用的数据类型

【JavaScript】基础内容，HTML如何引用JavaScript, JS 常用的数据类型

HTML 嵌入 Javascript 的方式 引入外部 js 文件 <head> <script Language "javaScript" src"index.js"/> </head>内部声明 <head> <script language"javascript">function hello(){alert("hello word&qu…
阅读更多...
无人机数据集，支持YOLO，COCO json，PASICAL VOC xml格式的标注，正确识别率可达到95.7%，10000张原始图片

无人机数据集，支持YOLO，COCO json，PASICAL VOC xml格式的标注，正确识别率可达到95.7%，10000张原始图片

无人机数据集&#xff0c;支持YOLO&#xff0c;COCO json&#xff0c;PASICAL VOC xml格式的标注&#xff0c;正确识别率可达到95.7%&#xff0c;10000张原始图片 下载地址&#xff1a; 标注好的数据集下载地址&#xff1a; yolo v11: https://download.csdn.net/download/p…
阅读更多...
Docker与虚拟机的区别及常用指令详解

Docker与虚拟机的区别及常用指令详解

在现代软件开发中&#xff0c;容器化和虚拟化技术已经成为不可或缺的工具。Docker和虚拟机&#xff08;VM&#xff09;是两种常见的技术&#xff0c; 它们都可以帮助开发者在不同的环境中运行应用程序。然而&#xff0c;它们的工作原理和使用场景有很大的不同。本文将详细探讨D…
阅读更多...
Springboot + vue 小区物业管理系统

Springboot + vue 小区物业管理系统

&#x1f942;(❁◡❁)您的点赞&#x1f44d;➕评论&#x1f4dd;➕收藏⭐是作者创作的最大动力&#x1f91e; &#x1f496;&#x1f4d5;&#x1f389;&#x1f525; 支持我&#xff1a;点赞&#x1f44d;收藏⭐️留言&#x1f4dd;欢迎留言讨论 &#x1f525;&#x1f525;&…
阅读更多...
win32汇编环境,窗口程序中单选框的一般操作示例

win32汇编环境,窗口程序中单选框的一般操作示例

;运行效果 ;win32汇编环境,窗口程序中单选框的一般操作示例 ;比如在窗口程序中生成单选框&#xff0c;默认哪项选中&#xff0c;判断当前选中哪一项&#xff0c;让哪项选中&#xff0c;得到选中项的名称等 ;直接抄进RadAsm可编译运行。重点部分加备注。 ;以下是ASM文件 ;>&g…
阅读更多...
wsl ubuntu 20.04 xrdp gnome 连接远程桌面闪退解决方法

wsl ubuntu 20.04 xrdp gnome 连接远程桌面闪退解决方法

本质原因是&#xff1a; 配置启动session&#xff0c;否则远程桌面登录输入密码之后会直接闪退这一步的问题&#xff0c;教程是下面这行代码&#xff0c;但是输入是无效的&#xff0c;就是你虽然输入了&#xff0c;但是没进去 echo "gnome-session" > ~/.xsessi…
阅读更多...
UML系列之Rational Rose笔记八：类图

UML系列之Rational Rose笔记八：类图

一、新建类图 首先依旧是新建要绘制的类图&#xff1b;选择class diagram&#xff1b; 修改命名&#xff1b; 二、工作台介绍 正常主要就是使用到class还有直接关联箭头就行&#xff1b; 如果不要求规范&#xff0c;直接新建一些需要的类&#xff0c;然后写好关系即可&#…
阅读更多...
华为OD机试E卷 ---最大值

华为OD机试E卷 ---最大值

一、题目描述 给定一组整数(非负)&#xff0c;重排顺序后输出一个最大的整数。 二、示例1 用例1 输入 10 9输出 910说明:输出结果可能非常大&#xff0c;所以你需要返回一个 字符串只而不是整数。 三、输入描述 数字组合 四、输出描述 最大的整数 五、解题思路 字符…
阅读更多...
最新文章

Copyright @ 2022~2023