IT~技术交流群

添加微信号:liudd666haha

备注进群,会拉进交流群

互帮互助,IT之路不孤独!


本篇来源:​  https://liudongdong.top/archives/hiveshi-qi-hive-zhi-hadoop-ya-suo-pei-zhi​

本系列来源:​  https://liudongdong.top/categories/hive​



一、Hadoop压缩配置

1. MR 支持的压缩编码

#yyds干货盘点# Hive | 十七、hive之Hadoop压缩配置_数据

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:

#yyds干货盘点# Hive | 十七、hive之Hadoop压缩配置_数据_02

#yyds干货盘点# Hive | 十七、hive之Hadoop压缩配置_数据_03

压缩性能的比较:

#yyds干货盘点# Hive | 十七、hive之Hadoop压缩配置_mapreduce_04

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.

2. 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):

#yyds干货盘点# Hive | 十七、hive之Hadoop压缩配置_数据_05

二、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:

1. 案例实操:

  1. 开启 hive 中间传输数据压缩功能

    hive (default)>set hive.exec.compress.intermediate=true;
  2. 开启 mapreduce 中 map 输出压缩功能

    hive (default)>set mapreduce.map.output.compress=true;
  3. 设置 mapreduce 中 map 输出数据的压缩方式

    hive (default)>set mapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.SnappyCodec;
  4. 执行查询语句

    hive (default)> select count(ename) name from emp;

三、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。

1. 案例实操:

  1. 开启 hive 最终输出数据压缩功能

    hive (default)>set hive.exec.compress.output=true;
  2. 开启 mapreduce 最终输出数据压缩

    hive (default)>set mapreduce.output.fileoutputformat.compress=true;
  3. 设置 mapreduce 最终数据输出压缩方式

    hive (default)> set mapreduce.output.fileoutputformat.compress.codec =org.apache.hadoop.io.compress.SnappyCodec;
  4. 设置 mapreduce 最终数据输出压缩为块压缩

    hive (default)> set mapreduce.output.fileoutputformat.compress.type=BLOCK;
  5. 测试一下输出结果是否是压缩文件

    hive (default)> insert overwrite local directory '/opt/module/data/distribute-result' select * from emp distribute by deptno sort by empno desc;

四、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

#yyds干货盘点# Hive | 十七、hive之Hadoop压缩配置_mapreduce_06

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。

  1. 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。
  2. 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:

#yyds干货盘点# Hive | 十七、hive之Hadoop压缩配置_数据_07

  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。

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。

  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。

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。

#yyds干货盘点# Hive | 十七、hive之Hadoop压缩配置_hive_08

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。