hive的3种数据存储格式

r囧r小猫 2022-03-16 06:12 504阅读 0赞

hive有textFile,SequenceFile,RCFile三种文件格式。

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textfile表中用insert导入到SequenceFile,RCFile表中。

写道

create table zone0000tf(ra int, dec int, mag int) row format delimited fields terminated by '|';  
create table zone0000rc(ra int, dec int, mag int) row format delimited fields terminated by '|' stored as rcfile;  
  
load data local inpath '/home/cq/usnoa/zone0000.asc ' into table zone0000tf;  
insert overwrite table zone0000rc select \* from zone0000tf;(begin a job)

#### File Format ####

<table> 
 <tbody> 
 <tr> 
 <td>&nbsp;</td> 
 <td> TextFile </td> 
 <td> SequenceFIle </td> 
 <td> RCFFile </td> 
 </tr> 
 <tr> 
 <td> Data type </td> 
 <td> Text Only </td> 
 <td> Text/Binary </td> 
 <td> Text/Binary </td> 
 </tr> 
 <tr> 
 <td> Internal Storage Order </td> 
 <td> Row-based </td> 
 <td> Row-based </td> 
 <td> Column-based </td> 
 </tr> 
 <tr> 
 <td> Compression </td> 
 <td> File Based </td> 
 <td> Block Based </td> 
 <td> Block Based </td> 
 </tr> 
 <tr> 
 <td> Splitable </td> 
 <td> YES </td> 
 <td> YES </td> 
 <td> YES </td> 
 </tr> 
 <tr> 
 <td> Splitable After Compression </td> 
 <td> No </td> 
 <td> YES </td> 
 <td> YES </td> 
 </tr> 
 </tbody> 
</table>

![2549683.html_type_1_webview_1][]

源数据放在test1表中，大小 26413896039 Byte。

创建sequencefile 压缩表test2，使用insert  overwrite table test2 select ...语句将test1数据导入 test2 ，设置配置项：

set hive.exec.compress.output=true;  
set mapred.output.compress=true;  
set mapred.output.compression.codec=com.hadoop.compression.lzo.LzoCodec;  
SET io.seqfile.compression.type=BLOCK;  
set io.compression.codecs=com.hadoop.compression.lzo.LzoCodec;

导入耗时：98.528s。另压缩类型使用默认的record，耗时为418.936s。

创建rcfile 表test3 ，同样方式导入test3。

set hive.exec.compress.output=true;  
set mapred.output.compress=true;  
set mapred.output.compression.codec=com.hadoop.compression.lzo.LzoCodec;  
set io.compression.codecs=com.hadoop.compression.lzo.LzoCodec;

导入耗时 253.876s。

以下为其他统计数据对比：

![1347875031_7425.jpg][]

<table style="text-align:left; line-height:26px; font-family:Arial; color:rgb(54,46,43); font-size:14px"> 
 <tbody> 
 <tr> 
 <td>rows</td> 
 <td>类型</td> 
 <td>合并耗时</td> 
 <td>文件数</td> 
 <td>总数据大小</td> 
 <td>count(1)</td> 
 <td>基于domain、referer求点击的top100</td> 
 </tr> 
 <tr> 
 <td>238610458</td> 
 <td>原始数据</td> 
 <td>1134</td> 
 <td>26413896039</td> 
 <td>66.297s</td> 
 </tr> 
 <tr> 
 <td>238610458</td> 
 <td>seq</td> 
 <td>98.528(block) 418.936(record)</td> 
 <td>1134</td> 
 <td>32252973826</td> 
 <td>41.578</td> 
 <td>394.949s（读入数据：32,253,519,280，读入行数:238610458）</td> 
 </tr> 
 <tr> 
 <td>238610458</td> 
 <td>rcfile</td> 
 <td>253.876 s</td> 
 <td>15</td> 
 <td>3765481781</td> 
 <td>29.318</td> 
 <td>286.588s（读入数据：1,358,993,读入行数:238610458</td> 
 </tr> 
 </tbody> 
</table>

因为原始数据中均是小文件，所以合并后文件数大量减少，但是hive实现的seqfile 处理竟然还是原来的数目。rcfile 使用lzo 压缩效果明显，7倍的压缩比率。查询数据中读入数据因为这里这涉及小部分数据，所以rcfile的表读入数据仅是seqfile的4%.而读入行数一致。

SequeceFile是Hadoop API提供的一种二进制文件支持。这种二进制文件直接将<key, value>对序列化到文件中。一般对小文件可以使用这种文件合并，即将文件名作为key，文件内容作为value序列化到大文件中。这种文件格式有以下**好处**： 
1)支持压缩，且可定制为基于Record或Block压缩（Block级压缩性能较优） 
2)本地化任务支持：因为文件可以被切分，因此MapReduce任务时数据的本地化情况应该是非常好的。 
3)难度低：因为是Hadoop框架提供的API，业务逻辑侧的修改比较简单。 
**坏处**是需要一个合并文件的过程，且合并后的文件将不方便查看。

SequenceFile 是一个由二进制序列化过的key/value的字节流组成的文本存储文件，它可以在map/reduce过程中的input/output 的format时被使用。在map/reduce过程中，map处理文件的临时输出就是使用SequenceFile处理过的。  
SequenceFile分别提供了读、写、排序的操作类。  
SequenceFile的操作中有三种处理方式：  
1） 不压缩数据直接存储。 //enum.NONE  
2） 压缩value值不压缩key值存储的存储方式。//enum.RECORD  
3）key/value值都压缩的方式存储。//enum.BLOCK

工作中用到了RcFile来存储和读取RcFile格式的文件，记录下。  
RcFile是FaceBook开发的一个集行存储和列存储的优点于一身，压缩比更高，读取列更快，它在MapReduce环境中大规模数据处理中扮演着重要的角色。  
读取操作：

Java代码 [ ![复制代码][icon_copy.gif]][_icon_copy.gif]  ![收藏代码][icon_star.png]![spinner.gif][]

1. job信息：   
2.         Job job = new Job();   
3.             job.setJarByClass(类.class);   
4.         //设定输入文件为RcFile格式   
5.             job.setInputFormatClass(RCFileInputFormat.class);     
6.         //普通输出   
7.             job.setOutputFormatClass(TextOutputFormat.class);   
8.         //设置输入路径   
9.             RCFileInputFormat.addInputPath(job, new Path(srcpath));   
10.             //MultipleInputs.addInputPath(job, new Path(srcpath), RCFileInputFormat.class);   
11.         // 输出   
12.             TextOutputFormat.setOutputPath(job, new Path(respath));   
13.             // 输出key格式   
14.             job.setOutputKeyClass(Text.class);     
15.         //输出value格式   
16.             job.setOutputValueClass(NullWritable.class);     
17.         //设置mapper类   
18.             job.setMapperClass(ReadTestMapper.class);   
19.         //这里没设置reduce，reduce的操作就是读Text类型文件，因为mapper已经给转换了。   
20.                
21.             code = (job.waitForCompletion(true)) ? 0 : 1;   
22.   
23.   
24. // mapper 类   
25.   
26. pulic class ReadTestMapper extends Mapper<LongWritable, BytesRefArrayWritable, Text, NullWritable> \{   
27.            
28.         @Override  
29.         protected void map(LongWritable key, BytesRefArrayWritable value, Context context) throws IOException, InterruptedException \{   
30.             // TODO Auto-generated method stub   
31.             Text txt = new Text();    
32.         //因为RcFile行存储和列存储，所以每次进来的一行数据，Value是个列簇，遍历，输出。   
33.             StringBuffer sb = new StringBuffer();   
34.             for (int i = 0; i < value.size(); i++) \{   
35.                 BytesRefWritable v = value.get(i);   
36.                 txt.set(v.getData(), v.getStart(), v.getLength());   
37.                 if(i==value.size()-1)\{   
38.                     sb.append(txt.toString());   
39.                 \}else\{   
40.                     sb.append(txt.toString()+"\\t");   
41.                 \}   
42.             \}   
43.             context.write(new Text(sb.toString()),NullWritable.get());   
44.             \}   
45.         \}

job信息：
 	 Job job = new Job();
 job.setJarByClass(类.class);
 		//设定输入文件为RcFile格式
 job.setInputFormatClass(RCFileInputFormat.class); 
 		//普通输出
 job.setOutputFormatClass(TextOutputFormat.class);
 		//设置输入路径
 RCFileInputFormat.addInputPath(job, new Path(srcpath));
 //MultipleInputs.addInputPath(job, new Path(srcpath), RCFileInputFormat.class);
 		// 输出
 TextOutputFormat.setOutputPath(job, new Path(respath));
 // 输出key格式
 job.setOutputKeyClass(Text.class); 
 		//输出value格式
 job.setOutputValueClass(NullWritable.class); 
 		//设置mapper类
 job.setMapperClass(ReadTestMapper.class);
 		//这里没设置reduce，reduce的操作就是读Text类型文件，因为mapper已经给转换了。
 
 code = (job.waitForCompletion(true)) ? 0 : 1;
 
 
 // mapper 类
 
 pulic class ReadTestMapper extends Mapper<LongWritable, BytesRefArrayWritable, Text, NullWritable> {
 
 @Override
 protected void map(LongWritable key, BytesRefArrayWritable value, Context context) throws IOException, InterruptedException {
 // TODO Auto-generated method stub
 Text txt = new Text(); 
 		//因为RcFile行存储和列存储，所以每次进来的一行数据，Value是个列簇，遍历，输出。
 StringBuffer sb = new StringBuffer();
 for (int i = 0; i < value.size(); i++) {
 BytesRefWritable v = value.get(i);
 txt.set(v.getData(), v.getStart(), v.getLength());
 if(i==value.size()-1){
 sb.append(txt.toString());
 }else{
 sb.append(txt.toString()+"\t");
 }
 }
 context.write(new Text(sb.toString()),NullWritable.get());
 }
 }

输出压缩为RcFile格式：

Java代码 [ ![复制代码][icon_copy.gif]][_icon_copy.gif]  ![收藏代码][icon_star.png]![spinner.gif][]

1. job信息：   
2.             Job job = new Job();   
3.             Configuration conf = job.getConfiguration();   
4.         //设置每行的列簇数   
5.             RCFileOutputFormat.setColumnNumber(conf, 4);   
6.             job.setJarByClass(类.class);   
7.   
8.             FileInputFormat.setInputPaths(job, new Path(srcpath));   
9.             RCFileOutputFormat.setOutputPath(job, new Path(respath));   
10.   
11.             job.setInputFormatClass(TextInputFormat.class);   
12.             job.setOutputFormatClass(RCFileOutputFormat.class);   
13.   
14.             job.setMapOutputKeyClass(LongWritable.class);   
15.             job.setMapOutputValueClass(BytesRefArrayWritable.class);   
16.   
17.             job.setMapperClass(OutPutTestMapper.class);   
18.   
19.             conf.set("date", line.getOptionValue(DATE));   
20.         //设置压缩参数   
21.             conf.setBoolean("mapred.output.compress", true);   
22.             conf.set("mapred.output.compression.codec", "org.apache.hadoop.io.compress.GzipCodec");   
23.   
24.             code = (job.waitForCompletion(true)) ? 0 : 1;   
25.   
26. mapper类：   
27.     public class OutPutTestMapper extends Mapper<LongWritable, Text, LongWritable, BytesRefArrayWritable> \{   
28.         @Override  
29.         public void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException \{   
30.             String line = value.toString();   
31.             String day = context.getConfiguration().get("date");   
32.             if (!line.equals("")) \{   
33.                 String\[\] lines = line.split(" ", -1);   
34.                 if (lines.length > 3) \{   
35.                     String time\_temp = lines\[1\];   
36.                     String times = timeStampDate(time\_temp);   
37.                     String d = times.substring(0, 10);   
38.                     if (day.equals(d)) \{   
39.                         byte\[\]\[\] record = \{lines\[0\].getBytes("UTF-8"), lines\[1\].getBytes("UTF-8"),lines\[2\].getBytes("UTF-8"), lines\[3\].getBytes("UTF-8")\};   
40.   
41.                         BytesRefArrayWritable bytes = new BytesRefArrayWritable(record.length);   
42.   
43.                         for (int i = 0; i < record.length; i++) \{   
44.                             BytesRefWritable cu = new BytesRefWritable(record\[i\], 0, record\[i\].length);   
45.                             bytes.set(i, cu);   
46.                         \}   
47.                         context.write(key, bytes);   
48.                     \}   
49.                 \}   
50.             \}   
51.         \}

SequenceFile提供了若干Writer的构造静态获取。  
//SequenceFile.createWriter()；  
  
SequenceFile.Reader使用了桥接模式，可以读取SequenceFile.Writer中的任何方式的压缩数据。  
  
三种不同的压缩方式是共用一个数据头，流方式的读取会先读取头字节去判断是哪种方式的压缩，然后根据压缩方式去解压缩并反序列化字节流数据，得到可识别的数据。  
  
流的存储头字节格式：  
Header：  
\*字节头”SEQ”, 后跟一个字节表示版本”SEQ4”,”SEQ6”.//这里有点忘了 不记得是怎么处理的了，回头补上做详细解释  
\*keyClass name  
\*valueClass name  
\*compression boolean型的存储标示压缩值是否转变为keys/values值了  
\*blockcompression boolean型的存储标示是否全压缩的方式转变为keys/values值了  
\*compressor 压缩处理的类型，比如我用Gzip压缩的Hadoop提供的是GzipCodec什么的..  
\*元数据 这个大家可看可不看的  
  
所有的String类型的写操作被封装为Hadoop的IO API，Text类型writeString()搞定。  
  
未压缩的和只压缩values值的方式的字节流头部是类似的：  
\*Header  
\*RecordLength记录长度  
\*key Length key值长度  
\*key 值  
\*是否压缩标志 boolean  
\*values  
剩下的大家可看可不看的，并非这个类中主要的。

根据自身涉及到的数据分布和使用需求，对HIVE上的三类文件格式做了如下测试，指导HIVE的文件格式选型。测试存在环境、数据分布、测试偏重点的不同，本测试只供参考，不作为大家选型决策的绝对指导。

HIVE的三种文件格式：TEXTFILE、SEQUENCEFILE、RCFILE中，TEXTFILE和SEQUENCEFILE的存储格式都是基于行存储的，RCFILE是基于行列混合的思想，先按行把数据划分成N个row group，在row group中对每个列分别进行存储。

基于HDFS的行存储具备快速数据加载和动态负载的高适应能力，因为行存储保证了相同记录的所有域都在同一个集群节点。但是它不太满足快速的查询响应时间的要求，因为当查询仅仅针对所有列中的少数几列时，它就不能跳过不需要的列，直接定位到所需列；同时在存储空间利用上，它也存在一些瓶颈，由于数据表中包含不同类型，不同数据值的列，行存储不易获得一个较高的压缩比。RCFILE是基于SEQUENCEFILE实现的列存储格式。除了满足快速数据加载和动态负载高适应的需求外，也解决了SEQUENCEFILE的一些瓶颈。

接下来就针对压缩比、数据加载、查询响应角度对HIVE的三种文件格式进行比较，主要比较对象为SEQUENCEFILE和RCFILE，因为TEXTFILE在压缩后不能发挥MapReduce的并行处理能力，所以此文件格式不会被我们采用。

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

压缩比

测试数据为1月11号产品表的当前数据，利用此数据保存到三张表，分别采用三种文件格式，压缩方式统一为gzip

存储格式               文件大小

TEXTFILE               21.4GB

SEQUENCEFILE     22.3GB

RCFILE                  18.0GB

RCFILE的压缩比优于SEQUENCEFILE。

[![7098bedfgb8934e802bce_690][]][7098bedfgb8934e802bce_690 1]

![Image 1][]

上图是HADOOP的不同压缩方法的一个性能对比图(摘自《pro hadoop》第5章)，其中gzip是空间和时间比较折中的压缩方法，后续测试也反应了这一点。

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

数据加载

[![7098bedfgb893521c3930_690][]][7098bedfgb893521c3930_690 1]

![Image 1][]

上图是三类文件格式的数据插入不同压缩类型，不同文件格式的数据加载时间对比图。

1.同一份数据的加载时间为lzo < gzip < bz2和不同压缩方式性能对比图的结果一致。

2.目标表为SEQUENCEFILE的数据加载时间优于TEXTFILE和RCFILE。

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

查询响应

测试1：

数据表wp\_product\_target包含62个字段，字段类型包含：BIGINT、DOUBLE、STRING。

执行如下两种SQL查询：

方案一，测试整行记录的查询效率：

select \* from wp\_product\_target where product\_id like '480523%';

方案二，测试特定列的查询效率：

select product\_id, gmt\_create, dw\_end\_date from wp\_product\_target where product\_id like '480523%';

![Image 1][]

[![7098bedfgb89357099f93_690][]][7098bedfgb89357099f93_690 1]

上图反映了RCFILE的查询效率都优于SEQUENCEFILE。

测试2：

数据表wp\_product\_detail包含8个字段，只取了product\_id和description两个字段做测试。product\_id的数据占用存储为：447MB，description的数据占用存储为：89697MB。

本测试目的是验证RCFILE的数据读取方式和Lazy解压方式是否有性能优势。数据读取方式只读取元数据和相关的列，节省IO；Lazy解压方式只解压相关的列数据，对不满足where条件的查询数据不进行解压，IO和效率都有优势。

方案一：

> insert overwrite local directory '/home/dwapp/hugh.wangp'
> 
> select product\_id, description
> 
> from wp\_product\_detail
> 
> where product\_id like '480523%';

方案二：

> insert overwrite local directory '/home/dwapp/hugh.wangp'
> 
> select product\_id, description
> 
> from wp\_product\_detail
> 
> where substr(product\_id, 1, 2) = '50';

方案三：

> insert overwrite local directory '/home/dwapp/hugh.wangp'
> 
> select product\_id, description
> 
> from wp\_product\_detail\_sf;

方案四：

> insert overwrite local directory '/home/dwapp/hugh.wangp'
> 
> select product\_id
> 
> from wp\_product\_detail;

前三个方案的查询数据量：800条，700万条，1.8亿条。

[![7098bedfgb89359a70d7c_690][]][7098bedfgb89359a70d7c_690 1]

![Image 1][]

上图反应在大小数据集上，RCFILE的查询效率高于SEQUENCEFILE。

[![7098bedfgb8935bdcd7ae_690][]][7098bedfgb8935bdcd7ae_690 1]

![Image 1][]

上图反应在特定字段数据读取时，RCFILE的查询效率依然优于SEQUENCEFILE。

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

总结

1.在压缩比方面，RCFILE有较优的压缩比，因为SEQUENCEFILE是行压缩，行内不同数据值统一压缩，但是RCFILE对每列独立压缩，避免了不同数据值的混合压缩，所以压缩比相对高一些。但是由于对列进行压缩存储，压缩性能比单单对行进行压缩消耗更多。也正体现了压缩的空间和时间的矛盾体。

2.数据加载方面，SEQUENCEFILE优于RCFILE，因为RCFILE的列压缩方式，数据加载压缩时的性能消耗比较大。但是对于数据仓库的一次写入、多次读取，数据的加载性能对整体利用影响没有压缩比和查询响应大。

3.查询响应方面，RCFILE有较优的表现。RCFILE的数据读取方式和Lazy解压方式起到了很大的作用，在读取数据的每个行组时，RCFILE只需读取元数据头部和查询指定的列，而不是行组的全部数据都读到内存中，节省了很多的I/O。虽然读取了元数据头部和查询指定的列，但是不是对这些数据完全解压，Lazy解压技术保证了，只解压满足where条件的数据。

总之，相对于SEQUENCEFILE，RCFILE的压缩比有20%左右的提升，数据加载时间有10%左右的劣势，查询响应时间平均有15%左右的优势，尤其在大数据量的非全字段查询上有30%左右的性能优势。

所以从上面的测试比较可以看出，RCFILE是HIVE最适合的文件存储格式，压缩方式采用GZIP压缩。

业界使用情况，FACEBOOK目前所有HIVE的文件全部采用RCFILE存储，国内的盛大也采用RCFILE存储。

[2549683.html_type_1_webview_1]: /images/20220316/d17251e085564f9a9a4da1920b593f35.png
[1347875031_7425.jpg]: https://img-my.csdn.net/uploads/201209/17/1347875031_7425.jpg
[icon_copy.gif]: http://smallboby.iteye.com/images/icon_copy.gif
[_icon_copy.gif]: http://smallboby.iteye.com/blog/1592531#
[icon_star.png]: http://smallboby.iteye.com/images/icon_star.png
[spinner.gif]: /images/20220316/df4ce3e3af6f4bf49f698be983fce645.png
[7098bedfgb8934e802bce_690]: /images/20220316/7c78d10addfa4027b1489e2b0729f805.png
[7098bedfgb8934e802bce_690 1]: http://blog.photo.sina.com.cn/showpic.html#url=http://s15.sinaimg.cn/orignal/7098bedfgb8934e802bce
[Image 1]: 
[7098bedfgb893521c3930_690]: /images/20220316/b6caa2c27d274d20b9e0c38246696385.png
[7098bedfgb893521c3930_690 1]: http://blog.photo.sina.com.cn/showpic.html#url=http://s1.sinaimg.cn/orignal/7098bedfgb893521c3930
[7098bedfgb89357099f93_690]: /images/20220316/6ec31bf39e61423f8b4acb9a15edea32.png
[7098bedfgb89357099f93_690 1]: http://blog.photo.sina.com.cn/showpic.html#url=http://s4.sinaimg.cn/orignal/7098bedfgb89357099f93
[7098bedfgb89359a70d7c_690]: /images/20220316/be4df28e07f9466fabe7c7a830151749.png
[7098bedfgb89359a70d7c_690 1]: http://blog.photo.sina.com.cn/showpic.html#url=http://s13.sinaimg.cn/orignal/7098bedfgb89359a70d7c
[7098bedfgb8935bdcd7ae_690]: /images/20220316/f98a836efb664bf6bdd84f5621c0435e.png
[7098bedfgb8935bdcd7ae_690 1]: http://blog.photo.sina.com.cn/showpic.html#url=http://s15.sinaimg.cn/orignal/7098bedfgb8935bdcd7ae