orcFile split和读数据原理总结（hive0.13）

http://blog.csdn.net/zhaorongsheng/article/details/72903431

官网关于orcfile的介绍

背景

Hive的rcfile格式已经使用多年，但是，它会将所有的列都当做二进制来处理，没有与类型挂钩。因此，Hive0.11版本引入orcFile。OrcFile有以下几点好处：

• 每个task只生成一个文件，减轻hdfs压力
• 保存列类型，支持datetime, decimal和负责类型(struct, list, map, and union)
• 文件中保存轻量级索引 
  • 跳过不需的row group
  • seek到指定的row
• 根据列类型进行压缩 
  • 整数类型：run-length encoding
  • string类型：dictionary encoding
• 不同的recordReader并发读同一文件
• split时，无需扫描标记
• 可以限制读写占用的内存
• 使用pb存放元数据，支持添加和移除列

结构

 
（图片来源：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+ORC）

orc dump工具

// Hive version 0.11 through 0.14:
hive --orcfiledump <location-of-orc-file>

// Hive version 0.15 and later:
hive --orcfiledump [-d] [--rowindex <col_ids>] <location-of-orc-file>

// Hive version 1.2.0 and later:
hive --orcfiledump [-d] [-t] [--rowindex <col_ids>] <location-of-orc-file>

// Hive version 1.3.0 and later:
hive --orcfiledump [-j] [-p] [-d] [-t] [--rowindex <col_ids>] [--recover] [--skip-dump]
    [--backup-path <new-path>] <location-of-orc-file-or-directory>

配置

KEY	Default	Notes
orc.compress	ZLIB	压缩算法，NONE/ZLIB/SNAPPY
orc.compress.size	262,144	每个压缩块大小，也是压缩保存stripe数据缓存大小
orc.stripe.size	67,108,864	stripe大小
orc.row.index.stride	10,000	索引数据间隔行（必须>=1000），即每10,000行数据，建一次索引，也是划分rowGroup的依据
orc.create.index	true	是否建行级索引

split读取原理

• 涉及配置

  • hive.optimize.index.filter
    • 默认值：false
    • 意义： 
      • 是否使用索引优化物理执行计划
      • 是否将条件下推到TableScanOperator中（读取数据、做split时会使用此条件信息）
    • orcFile需要设置为true，才能获取到过滤条件，进行stripe过滤
  • hive.exec.orc.zerocopy 
    • 默认：false
    • 读取orc文件时，是否使用0拷贝
  • hive.input.format 
    • 默认：CombineHiveInputFormat
    • 当使用combine方式时，会将小文件进行合并，但是不会用到OrcInputFormat的过滤stripe机制
    • 当使用org.apache.hadoop.hive.ql.io.HiveInputFormat，会调用OrcInputFormat的getSplits方法，过滤不符合要求的stripe

• 开启条件及优缺点 
  这里只讨论非combine方式的split个读取方式。

  • 触发条件：
    • set hive.input.format=org.apache.hadoop.hive.ql.io.HiveInputFormat;（必选）
    • set hive.optimize.index.filter=true;（可选） 
      • 是否条件下推到TS，进行条件过滤，建议开启
    • set hive.exec.orc.zerocopy=true;（可选） 
      • 读取orc文件，是否使用0拷贝，建议开启
  • 上述3个配置都开启情况 
    • 优点：
      • 做split时：
        • 可以将不符合条件的stripe提前过滤，减少map个数
      • 读取时： 
        • 可以直接跳过不符合条件的rowGroup，无需读取多余的数据
    • 缺点： 
      • 不会combine，有可能会因为小文件过多，导致map数过多
      • 依赖用户where条件，如果where条件过滤的数据不是很多，可能不会过滤stripe，导致map数过多（同时增加额外的计算，导致性能有所下降）

• 原理介绍

  • split 
    
    • 步骤1：stripe1，设置offset1和end1
    • 步骤2：stripe2被过滤条件过滤，stripe1则会产生一个split
    • 步骤3：stripe3，设置offset2和end2
    • 步骤4：stripe4和stripe3处于不同的block，stripe3则会产生一个split，offset和end分别指向stripe4的开始和结束位置
    • 步骤5：stripe5，offset不变，end指向stripe5的结束位置
    • 步骤6：stripe6，此时(end4-offset4)>maxSplitSize，stripe4/5/6则会产生一个split
    • 步骤7：stripe7，到达文件结束，stripe7产生一个split
  • 读取 
    
    • 读取footer：获取列信息、索引位置信息、数据位置信息等
    • 读取indexData 
      • 根据orc.row.index.stride的值，划分rowGroup，每个rowGroup的索引数据条数为orc.row.index.stride的值
      • 根据索引数据的信息（max/min)，判断每个rowGroup是否满足下推的where条件，实际读取数据时进行skip
    • 读取实际数据 
      • 读取每列的数据，当遇到被过滤的rowGroup时，会skip掉，减少读取的数据量

• 优缺点

  • 优点
    • 可以提前过滤无需的stripe，减少split个数
    • 读取时，可以过滤不满足条件的rowGroup，减少读取数
  • 缺点 
    • 做split时，stripe不会合并，有可能导致split数比combine方式更多
    • 也有可能数据量少的split数比数据量多的split数多

测试结果

1. stripeSize为128M

   • sql1
     • select log_date,log_time,hh24,area_country,area_prov,area_city from tbl_orc_128M where dt='20161109' and hh24='19' andchannel_id=179569143limit 100;
     • combine方式 
       • map数：1310
       • 会进行列skip 
         • Reading ORC rows from hdfs://bipcluster/bip/external_table/xx/tbl_orc_128M/dt=20161109/000856_0 with {include: [true, true, true, true, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, true, true, true, false, false, false, false, false, true, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false, false], offset: 0, length: 225585161}
     • combine方式+条件下推 
       • map数：1310
       • 会进行列skip
       • 会进行rowGroup的skip 
         
     • 非combine方式 
       • map数：1747
       • 会进行列skip
     • 非combine方式+条件下推 
       • map数：43
       • 会进行列skip
       • 会进行rowGroup的skip： 
         
   • sql2 
     • select log_date,log_time,hh24,area_country,area_prov,area_city from tbl_orc_128M where dt='20161109' and hh24='19' limit 100;
     • combine方式 
       • map数：1310
       • 会进行列skip
     • combine方式+条件下推 
       • map数：1310
       • 会进行列skip
       • 会进行rowGroup的skip
     • 非combine方式 
       • map数：1747
       • 会进行列skip
     • 非combine方式+条件下推 
       • map数：1747
       • 会进行列skip
       • 会进行rowGroup的skip：

2. stripeSize为64M

   • sql1
     • select log_date,log_time,hh24,area_country,area_prov,area_city from tbl_orc_64M where dt='20161109' and hh24='19' andchannel_id=179569143limit 100;
     • combine方式 
       • map数：1448
       • 会进行列skip
     • combine方式+条件下推 
       • map数：1448
       • 会进行列skip
       • 会进行rowGroup的skip
     • 非combine方式 
       • map数：3494
       • 会进行列skip
     • 非combine方式+条件下推 
       • map数：0
   • sql2 
     • select log_date,log_time,hh24,area_country,area_prov,area_city from tbl_orc_64M where dt='20161109' and hh24='19' limit 100;
     • combine方式 
       • map数：1448
       • 会进行列skip
     • combine方式+条件下推 
       • map数：1448
       • 会进行列skip
       • 会进行rowGroup的skip
     • 非combine方式 
       • map数：3494
       • 会进行列skip
     • 非combine方式+条件下推 
       • map数：3494
       • 会进行列skip
       • 会进行rowGroup的skip：

参考文档

orc和parquet比较