Hive-04 压缩| 存储
一、Hadoop压缩配置
MR支持的压缩编码
压缩格式 |
算法 |
文件扩展名 |
是否可切分 |
DEFLATE |
DEFLATE |
.deflate |
否 |
Gzip |
DEFLATE |
.gz |
否 |
bzip2 |
bzip2 |
.bz2 |
是 |
LZO |
LZO |
.lzo |
是 |
Snappy |
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:
压缩格式 |
对应的编码/解码器 |
DEFLATE |
org.apache.hadoop.io.compress.DefaultCodec |
gzip |
org.apache.hadoop.io.compress.GzipCodec |
bzip2 |
org.apache.hadoop.io.compress.BZip2Codec |
LZO |
com.hadoop.compression.lzo.LzopCodec |
Snappy |
org.apache.hadoop.io.compress.SnappyCodec |
压缩性能的比较:
压缩算法 |
原始文件大小 |
压缩文件大小 |
压缩速度 |
解压速度 |
gzip |
8.3GB |
1.8GB |
17.5MB/s |
58MB/s |
bzip2 |
8.3GB |
1.1GB |
2.4MB/s |
9.5MB/s |
LZO |
8.3GB |
2.9GB |
49.3MB/s |
74.6MB/s |
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.
压缩参数配置
要在Hadoop中启用压缩,可以配置如下参数(mapred-site.xml文件中):
参数 |
默认值 |
阶段 |
建议 |
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.compress |
false |
mapper输出 |
这个参数设为true启用压缩 |
mapreduce.map.output.compress.codec |
org.apache.hadoop.io.compress.DefaultCodec |
mapper输出 |
使用LZO、LZ4或snappy编解码器在此阶段压缩数据 |
mapreduce.output.fileoutputformat.compress |
false |
reducer输出 |
这个参数设为true启用压缩 |
mapreduce.output.fileoutputformat.compress.codec |
org.apache.hadoop.io.compress. DefaultCodec |
reducer输出 |
使用标准工具或者编解码器,如gzip和bzip2 |
mapreduce.output.fileoutputformat.compress.type |
RECORD |
reducer输出 |
SequenceFile输出使用的压缩类型:NONE和BLOCK |
修改Hadoop集群具有Snappy压缩方式:
查看hadoop支持的压缩方式
[kris@hadoop101 datas]$ hadoop checknative
将编译好的支持Snappy压缩的hadoop-2.7.2.tar.gz包导入到hadoop101的/opt/software中
1.解压hadoop-2.7.2.tar.gz到当前路径
[kris@hadoop101 software]$ tar -zxvf hadoop-2.7.2.tar.gz
2.进入到/opt/software/hadoop-2.7.2/lib/native路径可以看到支持Snappy压缩的动态链接库
[kris@hadoop101 native]$ pwd
/opt/software/hadoop-2.7.2/lib/native
[kris@hadoop101 native]$ ll
总用量 5188
-rw-r--r--. 1 kris kris 1210260 9月 1 2017 libhadoop.a
-rw-r--r--. 1 kris kris 1487268 9月 1 2017 libhadooppipes.a
lrwxrwxrwx. 1 kris kris 18 2月 18 11:51 libhadoop.so -> libhadoop.so.1.0.0
-rwxr-xr-x. 1 kris kris 716316 9月 1 2017 libhadoop.so.1.0.0
-rw-r--r--. 1 kris kris 582048 9月 1 2017 libhadooputils.a
-rw-r--r--. 1 kris kris 364860 9月 1 2017 libhdfs.a
lrwxrwxrwx. 1 kris kris 16 2月 18 11:51 libhdfs.so -> libhdfs.so.0.0.0
-rwxr-xr-x. 1 kris kris 229113 9月 1 2017 libhdfs.so.0.0.0
-rw-r--r--. 1 kris kris 472950 9月 1 2017 libsnappy.a
-rwxr-xr-x. 1 kris kris 955 9月 1 2017 libsnappy.la
lrwxrwxrwx. 1 kris kris 18 2月 18 11:51 libsnappy.so -> libsnappy.so.1.3.0
lrwxrwxrwx. 1 kris kris 18 2月 18 11:51 libsnappy.so.1 -> libsnappy.so.1.3.0
-rwxr-xr-x. 1 kris kris 228177 9月 1 2017 libsnappy.so.1.3.0
3.拷贝/opt/software/hadoop-2.7.2/lib/native里面的所有内容到开发集群的/opt/module/hadoop-2.7.2/lib/native路径上
[kris@hadoop101 native]$ cp ../native/* /opt/module/hadoop-2.7.2/lib/native/
cp -r native/ /opt/module/hadoop-2.7.2/lib/
4.分发集群
[kris@hadoop101 lib]$ xsync native/
重新启动hadoop集群和hive
开启Map输出阶段压缩(MR引擎)
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:
开启Map输出阶段压缩
hive (default)> set hive.exec.compress.intermediate=true; 开启hive中间传输数据压缩功能
hive (default)> set mapreduce.map.output.compress=true; 开启mapreduce中map输出压缩功能
hive (default)> set mapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.SnappyCodec; 设置mapreduce中map输出数据的压缩方式
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。
开启Reduce输出阶段压缩
hive (default)> set hive.exec.compress.output=true; 开启hive最终输出数据压缩功能 hive (default)> set mapreduce.output.fileoutputformat.compress=true; 开启mapreduce最终输出数据压缩 hive (default)> set mapreduce.output.fileoutputformat.codec=org.apache.hadoop.io.compress.SnappyCodec; 设置mapreduce最终数据输出压缩方式 hive (default)> set mapreduce.output.fileoutputformat.type=BLOCK; 设置mapreduce最终数据输出压缩为块压缩
测试一下输出结果是否是压缩文件 insert overwrite local directory '/opt/module/datas/distributed-result' select * from emp distribute by deptno sort by empno desc;
二、文件存储格式
Hive支持的存储数据的格式主要有:TEXTFILE 、SEQUENCEFILE、ORC、PARQUET。
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,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。
①TextFile格式
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,但使用Gzip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。
② ORC格式
每个Orc文件由1个或多个stripe组成,每个stripe一般为HDFS的块大小,每一个stripe包含多条记录,这些记录按照列进行独立存储,对应到Parquet中的row group的概念。
每个Stripe里有三部分组成,分别是Index Data,Row Data,Stripe Footer;
③ Parquet格式
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。
④ 各个存储格式对比
hive (default)> 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;
hive (default)> load data local inpath '/opt/module/datas/log.data' into table log_text;
Loading data to table default.log_text
Table default.log_text stats: [numFiles=1, totalSize=19014993]
Time taken: 1.12 seconds
hive (default)> dfs -du -h /user/hive/warehouse/log_text;
18.1 M /user/hive/warehouse/log_text/log.data
hive (default)> create table log_orc(
> track_time string, url string, session_id string, referer string, ip string, end_user_id string, ciry_id string)
> row format delimited fields terminated by '/t'
> stored as orc;
OK
Time taken: 0.087 seconds
hive (default)> insert into table log_orc select * from log_text;
hive (default)> dfs -du -h /user/hive/warehouse/log_orc;
2.8 M /user/hive/warehouse/log_orc/000000_0
hive (default)> 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;
OK
Time taken: 1.004 seconds
hive (default)> insert into table log_parquet select * from log_text; //insert overwrite table log_parquet select * from log_text;
hive (default)> dfs -du -h /user/hive/warehouse/log_parquet;
13.1 M /user/hive/warehouse/log_parquet/000000_0
存储文件的对比总结:
ORC > Parquet > textFile
select count(*) from log_text;
+---------+--+
| _c0 |
+---------+--+
| 100000 |
+---------+--+
1 row selected (18.222 seconds)
select count(*) from log_orc;
100000
1 row selected (17.129 seconds)
select count(*) from log_parquet;
1 row selected (18.133 seconds)
insert overwrite local directory '/opt/module/datas/log_text' select substring(url,1,4) from log_text;
存储文件的查询速度总结:查询速度相近。
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
Key |
Default |
Notes |
orc.compress |
ZLIB |
high level compression (one of NONE, ZLIB, SNAPPY) |
orc.compress.size |
262,144 |
number of bytes in each compression chunk |
orc.stripe.size |
268,435,456 |
number of bytes in each stripe |
orc.row.index.stride |
10,000 |
number of rows between index entries (must be >= 1000) |
orc.create.index |
true |
whether to create row indexes |
orc.bloom.filter.columns |
"" |
comma separated list of column names for which bloom filter should be created |
orc.bloom.filter.fpp |
0.05 |
false positive probability for bloom filter (must >0.0 and <1.0) |
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ZLIB压缩的ORC存储方式
(1)建表语句
create table log_orc_zlib(
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"="ZLIB");
(2)插入数据
insert into log_orc_zlib select * from log_text;
(3)查看插入后数据
hive (default)> dfs -du -h /user/hive/warehouse/log_orc_zlib/ ;
2.78 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 log_orc_snappy select * from log_text;
(3)查看插入后数据
hive (default)> dfs -du -h /user/hive/warehouse/log_orc_snappy/;
3.75 M /user/hive/warehouse/log_orc_snappy/000000_0
ZLIB比Snappy压缩的还小。原因是ZLIB采用的是deflate压缩算法。比snappy压缩的压缩率高。
3)创建一个SNAPPY压缩的parquet存储方式
(1)建表语句
create table log_parquet_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 parquet
tblproperties("parquet.compression"="SNAPPY");
(2)插入数据
insert into log_parquet_snappy select * from log_text;
(3)查看插入后数据
hive (default)> dfs -du -h /user/hive/warehouse/log_parquet_snappy/;
6.39 MB /user/hive/warehouse/ log_parquet_snappy /000000_0
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,lzo。