hive常见的存储格式

Hive常见文件存储格式

• 背景：列式存储和行式存储

  首先来看一下一张表的存储格式：

  字段A	字段B	字段C
  A1	B1	C1
  A2	B2	C2
  A3	B3	C3
  A4	B4	C4
  A5	B5	C5

行式存储

A1B1C1 A2B2C2 A3B3C3 A4B4C4 A5B5C5

列式存储

A1A2A3A4A5 B1B2B3B4B5 C1C2C3C4C5

优缺点比较：

行式存储

优点：

• 相关的数据是保存在一起，比较符合面向对象的思维，因为一行数据就是一条记录

• 这种存储格式比较方便进行INSERT/UPDATE操作

缺点：

• • 如果查询只涉及某几个列，它会把整行数据都读取出来，不能跳过不必要的列读取。当然数据比较少，一般没啥问题，如果数据量比较大就比较影响性能

  • 由于每一行中，列的数据类型不一致，导致不容易获得一个极高的压缩比，也就是空间利用率不高

  • 不是所有的列都适合作为索引

列式存储

优点：

• 查询时，只有涉及到的列才会被查询，不会把所有列都查询出来，即可以跳过不必要的列查询

• 高效的压缩率，不仅节省储存空间也节省计算内存和CPU

  • 任何列都可以作为索引

  缺点：

  • INSERT/UPDATE很麻烦或者不方便

  • 不适合扫描小量的数据

 

hive文件存储格式包括以下几类：

• TEXTFILE

• SEQUENCEFILE

• RCFIL

• ORCFILE(0.11以后出现)

  其中TEXTFILE为默认格式，建表时不指定默认为这个格式，导入数据时会直接把数据文件拷贝到hdfs上不进行处理；

  SEQUENCEFILE，RCFILE，ORCFILE格式的表不能直接从本地文件导入数据，数据要先导入到textfile格式的表中， 然后再从表中用insert导入SequenceFile,RCFile,ORCFile表中。

首先创建一张source_table表，格式为textfile。

create table source_table(id int,name string, age int) row format delimited fields terminated by ',' stored as textfile;
​
load data local inpath '/root/hivedata/source_table.txt' into table source_table;
1,allen1,18
2,allen2,18
3,allen3,18
4,allen4,18
5,allen5,18
6,allen6,18
7,allen7,18
8,allen8,18
9,allen9,18
10,allen10,18

TEXTFILE

• Hive数据表的默认格式

存储方式：行存储。

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(系统自动检查，执行查询时自动解压)，但使用这种方式，hive不会对数据进行切分，从而无法对数据进行并行操作。

create table if not exists textfile_table(
id int,
name  string,
age   int)
row format delimited
fields terminated by ','
stored as textfile;

插入数据操作：(map/reduce 输出压缩)

GZip和BZip2压缩格式是hadoop版本支持的，而且linux本地的库也支持这种格式的压缩和解压缩。

SEQUENCEFILE

Hadoop API提供的一种二进制文件，以key-value的形式序列化到文件中。

set hive.exec.compress.output=true;
set mapred.output.compress=true;
set mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec;
set io.compression.codecs=org.apache.hadoop.io.compress.GzipCodec;
​
insert overwrite table textfile_table select * from source_table;  

存储方式：行存储。

其具有使用方便、可分割、可压缩的特点。

SequenceFile支持三种压缩选择：NONE，RECORD，BLOCK。Record压缩率低，一般建议使用BLOCK压缩。

压缩数据文件可以节省磁盘空间，但Hadoop中有些原生压缩文件的缺点之一就是不支持分割。支持分割的文件可以并行的有多个mapper程序处理大数据文件，大多数文件不支持可分割是因为这些文件只能从头开始读。Sequence File是可分割的文件格式，支持Hadoop的block级压缩。

create table if not exists seqfile_table(
id int,
name  string,
age   int)
row format delimited
fields terminated by ','
stored as sequencefile;

插入数据操作：

set hive.exec.compress.output=true;
set mapred.output.compress=true;
set mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec;
set io.compression.codecs=org.apache.hadoop.io.compress.GzipCodec;
SET mapred.output.compression.type=BLOCK;
insert overwrite table seqfile_table select * from source_table;

RCFILERCFILE是一种行列存储相结合的存储方式。首先，其将数据按行分块，保证同一个record在一个块上，避免读一个记录需要读取多个block。其次，块数据列式存储，有利于数据压缩和快速的列存取。

create table if not exists rcfile_table(
id int,
name  string,
age   int)
row format delimited
fields terminated by ','
stored as rcfile;

插入数据操作：

set hive.exec.compress.output=true;
set mapred.output.compress=true;
set mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec;
set io.compression.codecs=org.apache.hadoop.io.compress.GzipCodec;
​
insert overwrite table rcfile_table select * from source_table;

相比TEXTFILE和SEQUENCEFILE，RCFILE由于列式存储方式，数据加载时性能消耗较大，但是具有较好的压缩比和查询响应。数据仓库的特点是一次写入、多次读取，因此，整体来看，RCFILE相比其余两种格式具有较明显的优势。

• ORCFile存储格式

  就是OptimizedRC File的缩写。意指优化的RCFile存储格式。

  hive/spark都支持这种存储格式，它存储的方式是采用数据按照行分块，每个块按照列存储，其中每个块都存储有一个索引。特点是数据压缩率非常高。