第 9 章:压缩和存储
Hive不会强制要求将数据转换成特定的格式才能使用。利用Hadoop的InputFormat API可以从不同数据源读取数据,使用OutputFormat API可以将数据写成不同的格式输出。
对数据进行压缩虽然会增加额外的CPU开销,但是会节约客观的磁盘空间,并且通过减少内存的数据量而提高I/O吞吐量会更加提高网络传输性能。
原则上Hadoop的job时I/O密集型的话就可以采用压缩可以提高性能,如果job是CPU密集型的话,那么使用压缩可能会降低执行性能。
9.1 Hadoop压缩配置
9.1.1 MR支持的压缩编码
压缩格式 | 算法 | 文件扩展名 | 是否可切分 |
---|---|---|---|
Deflate | Deflate | .deflate | 否 |
Gzip | Deflate | .gz | 否 |
Bzip2 | Bzip2 | .bz2 | 是 |
Lzo | Lzo | .lzo | 是 |
Snappy | Snappy | .snappy | 否 |
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:
压缩格式 | 对应的编码/解码器 |
---|---|
Deflate | org.apache.hadoop.io.compress.DefaultCodec |
Gzip | org.apache.hadoop.io.compress.GzipCodec |
Bzip2 | org.apache.hadoop.io.compress.BZip2Codec |
Lzo | com.hadoop.compression.lzo.LzopCodec |
Snappy | org.apache.hadoop.io.compress.SnappyCodec |
为什么需要这么多的压缩方案呢?
每一个压缩方案都在压缩和解压缩速度和压缩率间进行权衡。
如下是压缩性能的比较
压缩算法 | 原始文件大小 | 压缩文件大小 | 压缩速度 | 解压速度 |
---|---|---|---|---|
gzip | 8.3GB | 1.8GB | 17.5MB/s | 58MB/s |
bzip2 | 8.3GB | 1.1GB | 2.4MB/s | 9.5MB/s |
LZO | 8.3GB | 2.9GB | 49.3MB/s | 74.6MB/s |
9.1.2 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):
参数 | 默认值 | 阶段 | 建议 |
---|---|---|---|
io.compression.codecs (在core-site.xml中配置) | org.apache.hadoop.io.compress.DefaultCodec, org.apache.hadoop.io.compress.GzipCodec, org.apache.hadoop.io.compress.BZip2Codec,org.apache.hadoop.io.compress.Lz4Codec | 输出压缩 | Hadoop使用文件扩展名判断是否支持某种编解码器 |
mapreduce.map.output.compress | false | mapper输出 | 这个参数为true启动压缩 |
mapreduce.map.output.compress.codec | org.apache.hadoop.io.compress.DefaultCodec | mapper输出 | 使用LZO、LZ4或snappy编解码器在此阶段压缩数据 |
mapreduce.output.fileoutputformat.compress | false | reducer输出 | 这个参数设为true启动压缩 |
mapreduce.output.fileoutputformat.compress.codec | org.apache.hadoop.io.compress. DefaultCodec | reducer输出 | 使用标准工具或者编码器,如gzip和bzip2 |
mapreduce.output.fileoutputformat.compress.type | RECORD | reducer输出 | SequenceFile输出使用的压缩类型:NONE和BLOCK |
9.2 开启Map输出阶段压缩
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。
1、具体配置如下:
1)开启hive中间传输数据压缩功能
set hive.exec.compress.intermediate =true;
2)开启mapreduce中map输出压缩功能
set mapreduce.map.output.compress=true;
3)设置mapreduce中map输出数据的压缩方式
set mapreduce.map.output.compress.codec= org.apache.hadoop.io.compress.SnappyCodec;
4)执行查询语句
select count(ename) name from emp;
5)观察yarn执行的job的map阶段日志可看到如下内容
9.3 开启Reduce输出阶段压缩
当Hive将输出写入到表中时可以通过属性hive.exec.compress.output,对输出内容进行压缩。当hive.exec.compress.output=false,这样输出就是非压缩的纯文本文件了。将hive.exec.compress.output=true,来开启输出结果压缩功能。
1、设置步骤如下:
1)开启hive最终输出数据压缩功能
set hive.exec.compress.output=true;
2)开启mapreduce最终输出数据压缩
set mapreduce.output.fileoutputformat.compress=true;
3)设置mapreduce最终数据输出压缩方式
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
set mapreduce.output.fileoutputformat.compress.type=BLOCK;
5)测试以下输出结果是否为压缩文件
insert overwrite local directory
'/opt/module/hive/datas/distribute-result' select * from emp distribute by deptno sort by empno desc;
6)查看目录/opt/module/hive/datas/distribute-result下文件
distribute-result]$ ll
总用量 4
-rw-r--r--. 1 atguigu atguigu 493 10月 21 22:56 000000_0.snappy
9.4 文件存储格式
Hive支持的存储数据的格式主要有:TEXTFILE、SEQUENCEFILE、ORC、PARQUET。
9.4.1 列式存储和行式存储
如图所示,左边为逻辑表,右边第一个是行式存储,第二个式列式存储。
9.4.2 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。
9.4.3 Orc格式
Orc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;
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。
9.4.4 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持在一个列块中,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。
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,有三中类型的页: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。
9.4.5 主流存储文件格式对比
1、TextFile
1)创建log_text,设置其存储数据格式为TEXTFILE
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;
2)向表中加载数据
load data local inpath '/opt/module/hive/datas/log.data' into table log_text ;
3)查看表中数据大小
dfs -du -h /user/hive/warehouse/log_text;
18.1 M 54.4 M /user/hive/warehouse/log_text/log.data
4)采用TextFile格式存储,文件大小为18.1M
2、ORC
1)创建表loc_orc,存储数据格式是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
tblproperties("orc.compress"="NONE"); // 由于ORC格式时自带压缩的,这设置orc存储不使用压缩
2)向表中插入数据
insert into table log_orc select * from log_text ;
3)查看表中数据大小
dfs -du -h /user/hive/warehouse/log_orc/ ;
7.7 M 23.1 M /user/hive/warehouse/log_orc/000000_0
4)采用ORC(非压缩)格式存储,文件大小为7.7M
3、Parquet
1)创建表log_parquet,设置其存储数据格式为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 ;
2)向表中插入数据
insert into table log_parquet select * from log_text ;
3)查看表中数据大小
dfs -du -h /user/hive/warehouse/log_parquet/ ;
13.1 M 39.3 M /user/hive/warehouse/log_parquet/000000_0
4)采用Parquet格式存储,文件大小为13.1M
4、存储文件的对比总结:
ORC>Parquet>textFile
5、存储文件的查询速度测试:
1)TextFile
insert overwrite local directory '/opt/module/hive/data/log_text' select substring(url,1,4) from log_text ;
No rows affected (10.522 seconds)
2)ORC
insert overwrite local directory '/opt/module/hive/data/log_orc' select substring(url,1,4) from log_orc ;
No rows affected (11.495 seconds)
3)Parquet
insert overwrite local directory '/opt/module/hive/data/log_parquet' select substring(url,1,4) from log_parquet ;
No rows affected (11.445 seconds)
存储文件的查询速度总结:查询速度相近
9.5 存储和压缩结合
9.5.1 测试存储和压缩
1、创建一个ZLIB压缩的ORC存储方式
1)创建表log_orc_zlib表,设置其使用ORC文件格式,并使用ZLIB压缩
create table log_orc_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");
2)向表log_orc_zlib插入数据
insert into log_orc_zlib select * from log_text;
3)查看插入后数据文件大小
dfs -du -h /user/hive/warehouse/log_orc_zlib/ ;
2.8 M 8.3 M /user/hive/warehouse/log_orc_zlib/000000_0
4)采用ORC文件格式,并使用ZLIB压缩时,文件大小2.8M
2、创建一个SNAPP压缩的ORC存储方式
1)创建表log_orc_snappy表,设置其使用ORC文件格式,并使用snappy压缩
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");
2)插入数据
insert into log_orc_snappy select * from log_text;
3)查看插入后数据
dfs -du -h /user/hive/warehouse/log_orc_snappy/ ;
3.7 M 11.2 M /user/hive/warehouse/log_orc_snappy/000000_1
4)采用ORC文件格式,并使用SNAPPY压缩时,文件大小3.7M
ZLIB比Snappy压缩的还小。原因是ZLIB采用的是deflate压缩算法。比snappy压缩的压缩率高。
3、创建一个SNAPPY压缩的parquet存储方式
1)创建表log_parquet_snappy,设置其使用Parquet文件格式,并使用SNAPPY压缩
create table log_parquet_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");
2)向表log_parquet_snappy插入数据
insert into log_parquet_snappy select * from log_text;
3)查看插入后数据文章来源:https://www.toymoban.com/news/detail-798178.html
dfs -du -h /user/hive/warehouse/log_parquet_snappy / ;
6.4 M 19.2 M /user/hive/warehouse/log_parquet_snappy/000000_0
4)采用Parquet文件格式,并使用SNAPPY压缩时,文件大小6.4MB
4、存储方式和压缩总结
在实际的项目开发当中:
1)hive表的数据存储格式一般选择:orc或parquet
2)压缩方式一般选择snappy,lzo文章来源地址https://www.toymoban.com/news/detail-798178.html
到了这里,关于大数据开发之Hive(压缩和存储)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!