Hive的存储格式对比
在生产中可以通过Hive表的文件格式及查询速度的对比来确定使用哪种文件格式,以节省空间和提高查询速度;
成都创新互联公司是一家集网站建设,浚县企业网站建设,浚县品牌网站建设,网站定制,浚县网站建设报价,网络营销,网络优化,浚县网站推广为一体的创新建站企业,帮助传统企业提升企业形象加强企业竞争力。可充分满足这一群体相比中小企业更为丰富、高端、多元的互联网需求。同时我们时刻保持专业、时尚、前沿,时刻以成就客户成长自我,坚持不断学习、思考、沉淀、净化自己,让我们为更多的企业打造出实用型网站。
官方参考文档:https://cwiki.apache.org/confluence/display/HIVE
结论:
压缩效果:
最好的是:bzip2;bzip2压缩比很高,但是占用时间较久
其次:orc和parquet的压缩几乎一致;生产建议选择orc或者parquet;
查询性能:由于数据量太小,得出的结果不准确;大佬的生产经验是parquet的查询性能要优于orc;
Hive支持的存储格式有:
Text File
SequenceFile
RCFile
Avro Files
ORC Files
Parquet
注:Hive默认的格式为Text File,可以通过set hive.default.fileformat查看
> set hive.default.fileformat; hive.default.fileformat=TextFile
以下将对每种文件格式进行对比:
创建TextFile表
#原始数据格式为TextFile,大小为65M [hadoop@hadoop001 ~]$ hadoop fs -du -s -h /input/* 64.9 M 194.7 M /input/part-r-00000 #创建表并加载TextFile数据 CREATE EXTERNAL TABLE textfile ( cdn string, region string, level string, time string, ip string, domain string, url string, traffic bigint) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'; load data local inpath '/home/hadoop/part-r-00000' overwrite into table textfile;
可以看到此数据大小的64.9M
从上面的表中创建一个bzip2压缩的表:
hive支持在创建表的时候对数据进行压缩,配置如下:
设置开启压缩:set hive.exec.compress.output=true;
查看压缩的格式:set mapreduce.output.fileoutputformat.compress.codec;
配置压缩的格式:set mapreduce.output.fileoutputformat.compress.codec=org.apache.hadoop.io.compress.BZip2Codec
#创建一个bzip2压缩的表 create table textfile_bzip2 as select * from textfile;
可以看到启动压缩以后,大小只有13.84M,格式为bz2
创建SequenceFile表
#创建SequenceFile表 CREATE EXTERNAL TABLE seqfile ( cdn string, region string, level string, time string, ip string, domain string, url string, traffic bigint) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' stored as sequencefile; #加载数据 insert into table seqfile select * from textfile; 注:默认用load加载数据时,由于源文件是textfile,而表格式为sequencefile,所以无法直接加载,要借用一个临时表使用insert into进行加载
可以看到sequencefile格式的表数据比原始文件还要大,这是因为sequencefile表在创建时,增加了很多额外信息,在生产中不使用此种类型的文件格式;
创建RCFile表
#创建RCFile表 CREATE EXTERNAL TABLE rcfile ( cdn string, region string, level string, time string, ip string, domain string, url string, traffic bigint) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' stored as rcfile; #加载数据 insert into table rcfile select * from textfile;
rcfile的作用仅仅是将存储空间节省了10%左右,在生产中不使用此种文件格式;
创建ORC Files:orc是基于rc,是优化过后的列式存储
关于orc的官方介绍:https://cwiki.apache.org/confluence/display/Hive/LanguageManual+ORC
#创建orc格式的表;默认orcfile是采用zlib格式进行压缩 CREATE EXTERNAL TABLE orcfile ( cdn string, region string, level string, time string, ip string, domain string, url string, traffic bigint) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' stored as orcfile; #加载数据 insert into table orcfile select * from textfile; #创建orc格式的表,指定不采用zlib压缩;通过"orc.compress"="NONE"指定 create table orcfile_none stored as orc tblproperties ("orc.compress"="NONE") as select * from textfile;
orcfile采用zlib压缩:
orcfile不采用zlib压缩:
总结:通过对比,采用zlib压缩时,节省的空间更多一点
创建Parquet格式的表
#创建Parquet格式不使用压缩 create table parquetfile stored as parquet as select * from textfile; #创建Parquet格式使用gzip压缩 set parquet.compression=gzip; create table parquetfile_gzip stored as parquet as select * from textfile; 注:通过对比,Parquet格式使用gzip压缩时,可以节省大量的空间
parquet不经过gzip压缩:可以看到几乎没有压缩多少空间
parquet经过gzip压缩:可以看到压缩后的数据很代;
查询性能对比:
查询语句:select count(*) from textfile|rcfile|orcfile|parquetfile where ip='210.35.230.31';
查询条数:
textfile:查询了全表的所有数据,查询68085397条数据;
rcfile:查询1973371条数据;
orcfile:查询2883851条数据;
parquetfile:查询了8622602条数据;
文章标题:Hive的存储格式对比
文章路径:http://scyanting.com/article/gsghhe.html