hive文件存储格式

1. 文件存储格式

1. TextFile
2. SequeceFile
3. RCFile
4. ORCFile
5. PARQuet

2. 说明

格式	导入数据方式
textfile	将数据文件直接拷贝到hdfs上，不进行处理
SequenceFile, RCFile, ORCFile, PARQuet	不能直接将数据文件直接拷贝到hdfs上，数据文件要先导入到TextFile格式的表中，然后再从表中用insert导入各个格式的表中；或者复制表结构及数据的方式

3. 不同格式的不同

格式	存储方式	效率
textfile	行存储	磁盘开销大，数据解析开销大，hive不会对数据进行切分
sequencefile	行存储	可分割压缩，一般选择block压缩
refile	数据按行分块，每块按照列存储	压缩快，快速列存取，读取全量数据的操作，性能可能比sequencefile没有明显的优势
orcfile	数据按行分块，每块按照列存储	压缩快，快速列存取，效率比refile高
parquet	数据列式存储	相对于orc格式，hadoop生态系统中大部分工程都支持parquet文件

4. 一起对比

• 压缩比：
  ORC>Parquet>TextFile(没有进行压缩)
• 查询速度：
  三者几乎一致

5. 建表/加载数据

-- 创建表，存储数据格式为TEXTFILE
create table log_text[log_orc|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 textfile[orc|parquet]; 
 
-- 向表中加载数据 
load data local inpath '/opt/module/datas/log.data' into table log_text;
 
--向表中加载数据
insert into table log_orc select * from log_text;
 
-- 向表中加载数据
insert into table log_parquet select * from log_text;

6. 压缩和存储结合

-- 建表
-- 创建一个非压缩的ORC存储方式
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
hive (default)> insert into table log_orc_none select * from log_text;
 
 
-- 创建一个SNAPPY压缩的ORC存储方式
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
hive (default)> insert into table log_orc_snappy select * from log_text;
 
 
-- 创建一个默认压缩的ORC存储方式
-- 建表
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;
 
 
-- 对比三者的压缩比：
hive (db_hive)> dfs -du -h /user/hive/warehouse/db_hive.db/log_orc_none;
18.1 M  /user/hive/warehouse/db_hive.db/log_orc_none/log.data
hive (db_hive)> dfs -du -h /user/hive/warehouse/db_hive.db/log_orc_snappy;
3.8 M  /user/hive/warehouse/db_hive.db/log_orc_snappy/000000_0
hive (db_hive)> dfs -du -h /user/hive/warehouse/db_hive.db/log_orc;
2.8 M  /user/hive/warehouse/db_hive.db/log_orc/000000_0
没有压缩的orc格式相当于textfile，
默认的压缩格式压缩比例最大，orc存储文件默认采用ZLIB压缩，ZLIB采用的时deflate压缩算法。
文件没有压缩的话，HDFS上显示的是原来的文件名，如果压缩的话，使用类似000000_0的文件名。