hive 总结三（压缩）

港控/mmm° 2021-11-17 03:46 246阅读 0赞

本文参考：[黑泽君相关博客][Link 1]  
本文是我总结日常工作中遇到的坑，结合黑泽君相关博客，选取、补充了部分内容。  
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。

查看配置命令如下，对应的设置只要加上相关值即可,如下

是否开启hive中间传输数据压缩功能？
    hive> set hive.exec.compress.intermediate;
    hive.exec.compress.intermediate=false
    
    开启hive中间传输数据压缩功能
    hive>  set hive.exec.compress.intermediate=true;

是否开启mapreduce中map输出压缩功能
    hive> set mapreduce.map.output.compress;
    mapreduce.map.output.compress=true

是否设置mapreduce中map输出数据的压缩方式
    hive> set mapreduce.map.output.compress;
    mapreduce.map.output.compress=true

--------------------

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。

查看配置命令如下，对应的设置只要加上相关值即可,如下

是否开启hive最终输出数据压缩功能
    hive> set hive.exec.compress.output;
    hive.exec.compress.output=false

是否开启mapreduce最终输出数据压缩
    hive> set hive.exec.compress.output;
    hive.exec.compress.output=false

是否设置mapreduce最终数据输出压缩方式
    hive> set mapreduce.output.fileoutputformat.compress.codec;
    mapreduce.output.fileoutputformat.compress.codec=org.apache.hadoop.io.compress.DefaultCodec
    
    设置为SnappyCodec 压缩
    hive> set mapreduce.output.fileoutputformat.compress.codec=org.apache.hadoop.io.compress.SnappyCodec ;

是否设置mapreduce最终数据输出压缩为块压缩（默认是行压缩RECORD）
    hive> set mapreduce.output.fileoutputformat.compress.type;
    mapreduce.output.fileoutputformat.compress.type=BLOCK

--------------------

#### 文件存储格式 ####

Hive支持的存储数的格式主要有：TEXTFILE 、SEQUENCEFILE、ORC、PARQUET。

##### 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。

##### Orc格式 #####

Orc (Optimized Row Columnar)是Hive 0.11版里引入的新的存储格式。

> Index Data  
> Index Data 包括每一列的最小值和最大值，以及每一列中的行位置。(也可以包含bit field or bloom filter ) 行索引项提供了偏移量，使您能够在解压缩块中查找正确的压缩块和字节。  
> 注意，ORC索引仅用于选择stripes 和 row groups，而不用于回答查询。  
> 拥有相对频繁的行索引项可以在stripe 内跳过行，以便快速读取，尽管stripe 很大。默认情况下，可以跳过每10,000行。

> 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。

> Stripe Footer  
> 存的是各个Stream的类型，长度等信息。

> File Footer  
> 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；

> PostScript  
> 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。

![Orc格式 结构.png][Orc_ _.png]

示例：
    数据量：19017003
    hive> CREATE TABLE tmp.orcTest stored AS ORC 
        > TBLPROPERTIES
        > ('orc.compress'='SNAPPY',
        > 'orc.create.index'='true',
        > 'orc.bloom.filter.fpp'='0.05',
        > 'orc.stripe.size'='10485760',
        > 'orc.row.index.stride'='10000') 
        > AS 
        > SELECT 
        > *
        > FROM tmp.textFileTest
    Stage-Stage-1: Map: 16  Reduce: 62   Cumulative CPU: 1350.32 sec   HDFS Read: 4140450145 HDFS Write: 250057437 SUCCESS
    
    向表中加载数据（不能使用load方式加载数据，需要insert into方式或者上述方式，即一定要通过MapReduce任务加载数据）

orc:不使用索引
    hive> set hive.optimize.index.filter=false;
    hive> select * from tmp.orcTest where userid ='02012138';
    Query ID = hdfs_20190716114646_cb74ab6e-3d7f-42a8-b1e8-703abd89c420
    Total jobs = 1
    Launching Job 1 out of 1
    .
    .
    .
    Stage-Stage-1: Map: 5   Cumulative CPU: 32.88 sec   HDFS Read: 250016639 HDFS Write: 175 SUCCESS
    Total MapReduce CPU Time Spent: 32 seconds 880 msec
    OK
    02012138     2019-06-16 00:21:03.000000000   10000                           0       20190616
    Time taken: 13.935 seconds, Fetched: 1 row(s)
    很明显，扫描了所有记录。再使用索引查询：

orc:使用索引
    hive> set hive.optimize.index.filter=true;
    hive> select * from tmp.orcTest where userid ='02012138';
    Query ID = hdfs_20190716114747_dd02a4a3-7a25-424b-84d8-a314e918464f
    Total jobs = 1
    Launching Job 1 out of 1
    .
    .
    .
    Stage-Stage-1: Map: 5   Cumulative CPU: 24.77 sec   HDFS Read: 58144301 HDFS Write: 175 SUCCESS
    Total MapReduce CPU Time Spent: 24 seconds 770 msec
    OK
    02012138     2019-06-16 00:21:03.000000000   10000
    Time taken: 12.916 seconds, Fetched: 1 row(s)
    
    可以看到，只扫描了部分记录，即根据Row Group Index中的min/max跳过了WHERE条件中不包含的stripes，索引有效果。

TeXtFile
    hive> select * from tmp.tb_tmp_tms_stb_errorcode where userid ='02012138';
    Query ID = hdfs_20190716114747_ac4b272c-4317-4b47-9726-91f297fc1af8
    Total jobs = 1
    Launching Job 1 out of 1
    .
    .
    .
    Stage-Stage-1: Map: 16   Cumulative CPU: 112.89 sec   HDFS Read: 4140148821 HDFS Write: 175 SUCCESS
    Total MapReduce CPU Time Spent: 1 minutes 52 seconds 890 msec
    OK
    02012138     2019-06-16 00:21:03.000000000   10000
    Time taken: 17.072 seconds, Fetched: 1 row(s)
    
    数据未经过压缩，读取全集数据

注：我看一些文档说，Orc列存储，如果用 =,> 之类 筛选列不会触发 mapReduce,经过测试，还是触发了，而且查询时间整体上比TextFile 短。  
    关于mapReduce的后续再找找答案，或者有知道的道友分享下。

![ORC格式会将其转换成如下的树状结构.png][ORC_.png]

--------------------

#### Parquet格式 ####

这个东东我用的少，了解不多，在这里就仅仅标记一下

> 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。

> 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文件的格式如下图所示。

![Parquet文件 格式.png][Parquet_ _.png]

> 各种存储文件的查询速度总结：经过验证，查询速度相近， orc、parquet有时候会比TextFile稍微快一丢丢。

> 小结：在实际的项目开发当中，hive表的数据存储格式一般选择：orc或parquet。压缩方式一般选择snappy或lzo。(使用压缩后可大量节省空间)

--------------------

#### 存储和压缩结合 ####

*  查看hadoop支持的压缩方式

[hdfs@tmpe2e02 tmp_lillcol]$ hadoop checknative
    19/07/16 14:21:20 INFO bzip2.Bzip2Factory: Successfully loaded & initialized native-bzip2 library system-native
    19/07/16 14:21:20 INFO zlib.ZlibFactory: Successfully loaded & initialized native-zlib library
    Native library checking:
    hadoop:  true /opt/cloudera/parcels/CDH-5.7.2-1.cdh5.7.2.p0.18/lib/hadoop/lib/native/libhadoop.so.1.0.0
    zlib:    true /lib64/libz.so.1
    snappy:  true /opt/cloudera/parcels/CDH-5.7.2-1.cdh5.7.2.p0.18/lib/hadoop/lib/native/libsnappy.so.1
    lz4:     true revision:10301
    bzip2:   true /lib64/libbz2.so.1
    openssl: true /usr/local/ssl/lib/libcrypto.so

*  HiveQL语句指定ORC文件格式配置

<table> 
 <thead> 
  <tr> 
   <th style="text-align:center;">配置</th> 
   <th style="text-align:center;">默认值</th> 
   <th style="text-align:center;">备注</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td style="text-align:center;">orc.compress</td> 
   <td style="text-align:center;">ZLIB</td> 
   <td style="text-align:center;">高级压缩(one of NONE, ZLIB, SNAPPY)</td> 
  </tr> 
  <tr> 
   <td style="text-align:center;">orc.compress.size</td> 
   <td style="text-align:center;">262,144</td> 
   <td style="text-align:center;">每个压缩块中的字节数</td> 
  </tr> 
  <tr> 
   <td style="text-align:center;">orc.stripe.size</td> 
   <td style="text-align:center;">67,108,864</td> 
   <td style="text-align:center;">每条stripe中的字节数</td> 
  </tr> 
  <tr> 
   <td style="text-align:center;">orc.row.index.stride</td> 
   <td style="text-align:center;">10,000</td> 
   <td style="text-align:center;">索引条目之间的行数(必须是&gt;= 1000)</td> 
  </tr> 
  <tr> 
   <td style="text-align:center;">orc.create.index</td> 
   <td style="text-align:center;">true</td> 
   <td style="text-align:center;">是否创建行索引</td> 
  </tr> 
  <tr> 
   <td style="text-align:center;">orc.bloom.filter.columns</td> 
   <td style="text-align:center;">""</td> 
   <td style="text-align:center;">逗号分隔的列名列表，应该为其创建bloom过滤器</td> 
  </tr> 
  <tr> 
   <td style="text-align:center;">orc.bloom.filter.fpp</td> 
   <td style="text-align:center;">0.05</td> 
   <td style="text-align:center;">bloom过滤器的误报概率(必须是&gt;0.0和&lt;1.0)</td> 
  </tr> 
 </tbody> 
</table>

案例：
    CREATE TABLE tmp.orcTest stored AS ORC 
    TBLPROPERTIES
    ('orc.compress'='SNAPPY',
    'orc.create.index'='true',
    'orc.bloom.filter.fpp'='0.05',
    'orc.stripe.size'='10485760',
    'orc.row.index.stride'='10000') 
    AS 
    SELECT 
    *
    FROM tmp.orcTextFile
    DISTRIBUTE BY userid sort BY userid;
    
    orc存储文件默认采用ZLIB压缩。ZLIB压缩率比snappy的高，但是ZLIB解压缩速率很低。

--------------------

#### Fetch抓取 ####

Fetch抓取是指，Hive中对某些情况的查询可以不必使用MapReduce计算。  
例如：`SELECT * FROM orcTest`; 在这种情况下，Hive可以简单地读取orcTest对应的存储目录下的文件，然后输出查询结果到控制台。

配置
    hive-default.xml.template 中 hive.fetch.task.conversion
    
    <property>
        <name>hive.fetch.task.conversion</name>
        <value>more</value>
        <description>
          可选值 [none, minimal, more].
          一些select查询可以转换为单个获取任务，从而最小化延迟。
          目前，查询应该是单一来源的，没有任何子查询，也不应该有任何聚合或区别(引起RS)、横向视图和连接。
          0. none : 禁用 hive.fetch.task.conversion
          1. minimal : SELECT STAR, FILTER on partition columns, LIMIT only
          2. more  : SELECT, FILTER, LIMIT only (support TABLESAMPLE and virtual columns)
        </description>
    </property>

测试：
    hive> set hive.fetch.task.conversion; //查询当前配置
    hive.fetch.task.conversion=minimal
    
    hive> set hive.fetch.task.conversion=none;
    hive> select userid from tmp.orcTest limit 1;
    Query ID = hdfs_20190716151010_29239e97-a06c-47aa-9958-f1964ab8eb17
    Total jobs = 1
    Launching Job 1 out of 1
    .
    .
    .
    Stage-Stage-1: Map: 5   Cumulative CPU: 15.09 sec   HDFS Read: 4155591 HDFS Write: 661 SUCCESS
    Total MapReduce CPU Time Spent: 15 seconds 90 msec
    OK
    02012138
    Time taken: 13.908 seconds, Fetched: 10 row(s)
    
    hive> set hive.fetch.task.conversion=more;
    hive> select userid from tmp.orcTest limit 10;
    OK
    02012138
    Time taken: 0.025 seconds, Fetched: 10 row(s)

把hive.fetch.task.conversion设置成none，然后执行查询语句，都会执行MapReduce程序。

--------------------

#### 本地模式 ####

有时Hive的输入数据量是非常小的。  
在这种情况下，为查询触发执行任务消耗的时间可能会比实际job的执行时间要多的多。  
对于大多数这种情况，Hive可以通过本地模式在单台机器上处理所有的任务。  
对于小数据集，执行时间可以明显被缩短。

// 开启本地mr模式
    hive> set hive.exec.mode.local.auto;
    hive.exec.mode.local.auto=false
    
    // 设置local mr的最大输入数据量，当输入数据量小于这个值时采用local mr的方式，默认为134217728，即128M
    hive> set hive.exec.mode.local.auto.inputbytes.max;
    hive.exec.mode.local.auto.inputbytes.max=134217728
    
    // 设置local mr的最大输入文件个数，当输入文件个数小于这个值时采用local mr的方式，默认为4
    hive> set hive.exec.mode.local.auto.input.files.max;
    hive.exec.mode.local.auto.input.files.max=4
    
    上面是查看参数值的方法，对应的设置直接改成设置值即可。

创建测表
    hive> CREATE TABLE tmp.orclocal stored AS ORC 
        > TBLPROPERTIES
        > ('orc.compress'='SNAPPY',
        > 'orc.create.index'='true',
        > 'orc.bloom.filter.fpp'='0.05',
        > 'orc.stripe.size'='10485760',
        > 'orc.row.index.stride'='10000') 
        > AS 
        > SELECT 
        > *
        > FROM tmp.orcTest 
        > DISTRIBUTE BY userid sort BY userid limit 1000;
    
    查看文件数量：1个 符合配置
    hive> !hadoop fs -du -h hdfs://ns1/user/hive/warehouse/tmp.db/orclocal;
    22.5 K  45.1 K  hdfs://ns1/user/hive/warehouse/tmp.db/orclocal/000000_0
    
    关闭本地模式，并执行查询语句
    hive> set hive.exec.mode.local.auto=false;
    hive> select count(*) from tmp.orclocal;
    OK
    1000
    Time taken: 18.98 seconds, Fetched: 1 row(s)

开启本地模式，并执行查询语句
    hive> set hive.exec.mode.local.auto=true;
    hive> select count(*) from tmp.orclocal;
    OK
    1000
    Time taken: 1.576 seconds, Fetched: 1 row(s)
    
    时间对比有点不真实了....，但是测试几次，在小文件的情况下开启本地模式确实优势很大

--------------------

转载于:https://www.cnblogs.com/lillcol/p/11197982.html

[Link 1]: https://www.cnblogs.com/chenmingjun/
[Orc_ _.png]: /images/20211116/8f987ebd696b40a2823739e9f5295914.png
[ORC_.png]: /images/20211116/4f6d8dbbb2384c02ab04adea574db3f3.png
[Parquet_ _.png]: /images/20211116/56c6381a0b84466abb7e25bd3b7e3cde.png