1. 压缩和存储

2. 压缩参数设置

要在Hadoop中启用压缩，可以配置如下参数（mapred-site.xml文件中）：

3. 开启map输出阶段压缩(MR引擎)

临时开启

set hive.exec.compress.intermediate=true; -- 开启hive中间传送的压缩功能
set mapreduce.map.output.compress=true; -- 开启mapreduce中map输出压缩功能
set mapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.SnappyCodec; -- 设置指定的压缩方式

4. 开启Reduce输出阶段压缩

set hive.exec.compress.output=true; -- 开启hive最终输出数据压缩
set mapreduce.output.fileoutputformat.compress=true; -- 开启mapreduce最终输出数据压缩
set mapreduce.output.fileoutputformat.compress.codec =org.apache.hadoop.io.compress.SnappyCodec; -- 设置压缩方式
set mapreduce.output.fileoutputformat.compress.type=BLOCK; -- 设置mapreduce最终输出压缩方式

5. 文件存储格式

Hive支持的存储数据的格式主要有：

行存储 TEXTFILE 、SEQUENCEFILE

列存储 ORC、PARQUET Hive中使用列存储比较好

6. 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。

7. Orc格式

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：

1）Index Data：一个轻量级的index，默认是每隔1W行做一个索引。这里做的索引应该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。

8. 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。

（1）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。

（2）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。

（3）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。

9. 指定文件存储格式

9.1. textfile

在建表时通过stored 关键字指定格式

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;  -- 指定为textfile 默认也是textfile

9.2. 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  -- 指定为orc格式
tblproperties("orc.compress"="NONE"); -- 去掉压缩

只能插入数据 不能直接加数据文件

insert into table log_orc select * from log_text ;

9.3. 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 ;

插入数据

insert into table log_parquet select * from log_text ;

9.4. 三种存储格式大小比较

10. 存储和压缩结合

10.1. orc存储方式的压缩

所有关于ORCFile的参数都是在HQL语句的TBLPROPERTIES字段里面出现 在建表时指定

10.1.1. ZLIB压缩格式

create table log_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"); -- 指定压缩为ZLIB 默认也为ZLIB

插入数据

insert into log_orc_zlib select * from log_text;

10.1.2. SNAPPY压缩格式

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

insert into log_orc_snappy select * from log_text;

10.2. 压缩后文件大小比较

10.3. Parquet存储方式的压缩

create table log_par_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");

insert into log_par_snappy select * from log_text;

未压缩和压缩之后文件大小

10.4. 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。