Hive 文件存储格式

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

1、列式存储和行式存储

 如图所示左边为逻辑表，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，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。

3 Orc格式

Orc (Optimized Row Columnar)是Hive 0.11版里引入的新的存储格式。如下图所示可以看到每个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：

• 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；
• 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；
• 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。

• 行组(Row Group)：每一个行组包含一定的行数，在一个HDFS文件中至少存储一个行组，类似于orc的stripe的概念。
• 列块(Column Chunk)：在一个行组中每一列保存在一个列块中，行组中的所有列连续的存储在这个行组文件中。一个列块中的值都是相同类型的，不同的列块可能使用不同的算法进行压缩。
• 页(Page)：每一个列块划分为多个页，一个页是最小的编码的单位，在同一个列块的不同页可能使用不同的编码方式。

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。

 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：

TextFile

select mysplit("hello,world,hadoop,hive", ",");
//建表
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;
//加载数据
load data local inpath '/opt/module/hive/datas/log.data' into table log_text ;
//查看表中数据大小
dfs -du -h /user/hive/warehouse/log_text;

18.13M /user/hive/warehouse/log_text/log.data

 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
    tblproperties ("orc.compress" = "NONE");--设置orc存储不使用压缩
//加载
insert into table log_orc select * from log_text;
//查看文件大小
dfs -du -h /user/hive/warehouse/log_orc/ ;

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

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;
//加载数据
insert into table log_parquet select * from log_text;
//查看大小
dfs -du -h /user/hive/warehouse/log_parquet/;

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

存储文件的对比总结：ORC > Parquet > textFile

存储文件的查询速度测试：

insert overwrite local directory '/opt/module/data/log_text' select substring(url,1,4) from log_text;
insert overwrite local directory '/opt/module/data/log_orc' select substring(url,1,4) from log_orc;
insert overwrite local directory '/opt/module/data/log_parquet' select substring(url,1,4) from log_parquet;

存储文件的查询速度总结：查询速度相近。