第8章 hive压缩和存储

一时失言乱红尘 2022-12-27 07:20 320阅读 0赞

文章目录

    • Hadoop源码编译支持Snappy压缩
      • 8.1.1 资源准备
      • 8.1.2 jar包安装
      • 8.1.3 编译源码
  • 查看snappy库文件
  • 查看protobuf版本以测试是否安装成功
    • 8.2 Hadoop压缩配置
      • 8.2.1 MR支持的压缩编码
      • 8.2.2 压缩参数配置
    • 8.3 开启Map输出阶段压缩
    • 8.4 开启Reduce输出阶段压缩
    • 8.5 文件存储格式
      • 8.5.2 TextFile格式
      • 8.5.4 Parquet格式

Hadoop源码编译支持Snappy压缩

8.1.1 资源准备

1．CentOS联网
配置CentOS能连接外网。Linux虚拟机ping www.baidu.com 是畅通的
注意：采用root角色编译，减少文件夹权限出现问题
2．jar包准备(hadoop源码、JDK8 、maven、protobuf)

  1. （1）hadoop-2.7.2-src.tar.gz
  2. （2）jdk-8u144-linux-x64.tar.gz
  3. （3）snappy-1.1.3.tar.gz
  4. （4）apache-maven-3.0.5-bin.tar.gz
  5. （5）protobuf-2.5.0.tar.gz

8.1.2 jar包安装

注意：所有操作必须在root用户下完成
1．JDK解压、配置环境变量JAVA_HOME和PATH，验证java-version(如下都需要验证是否配置成功)
[root@bigdata03software] # tar -zxf jdk-8u144-linux-x64.tar.gz -C /opt/module/
[root@bigdata03software]# vi /etc/profile

  1. #JAVA_HOME
  2. export JAVA_HOME=/opt/module/jdk1.8.0_144
  3. export PATH=$PATH:$JAVA_HOME/bin

[root@bigdata03software]#source /etc/profile
验证命令：java -version
2．Maven解压、配置 MAVEN_HOME和PATH
[root@bigdata03 software]# tar -zxvf apache-maven-3.0.5-bin.tar.gz -C /opt/module/
[root@bigdata03apache-maven-3.0.5]# vi /etc/profile

  1. #MAVEN_HOME
  2. export MAVEN_HOME=/opt/module/apache-maven-3.0.5
  3. export PATH=$PATH:$MAVEN_HOME/bin

[root@bigdata03 software]#source /etc/profile
验证命令：mvn -version
配置Maven镜像

  1. <mirror>
  2.       <id>alimaven</id>
  3.       <name>aliyun maven</name>
  4.       <url>http://maven.aliyun.com/nexus/content/groups/public/</url>
  5.       <mirrorOf>central</mirrorOf>        
  6.     </mirror>
  7.     <mirror>
  8.       <id>repo2</id>
  9.       <name>repo2 maven</name>
  10.       <url>http://repo2.maven.org/maven2</url>
  11.       <mirrorOf>central</mirrorOf>        
  12.     </mirror>

8.1.3 编译源码

1．准备编译环境

  1. [root@bigdata03software]# yum install svn
  2. [root@bigdata03software]# yum install autoconf automake libtool cmake
  3. [root@bigdata03software]# yum install ncurses-devel
  4. [root@bigdata03software]# yum install openssl-devel
  5. [root@bigdata03software]# yum install gcc*
  6. 2．编译安装snappy
  7. [root@bigdata03software]# tar -zxvf snappy-1.1.3.tar.gz -C /opt/module/
  8. [root@bigdata03module]# cd snappy-1.1.3/
  9. [root@bigdata03snappy-1.1.3]# ./configure
  10. [root@bigdata03snappy-1.1.3]# make
  11. [root@bigdata03snappy-1.1.3]# make install

查看snappy库文件

[

  1. root@bigdata03snappy-1.1.3]# ls -lh /usr/local/lib |grep snappy
  2. 3．编译安装protobuf
  3. [root@hadoop101 software]# tar -zxvf protobuf-2.5.0.tar.gz -C /opt/module/
  4. [root@bigdata03module]# cd protobuf-2.5.0/
  5. [root@bigdata03protobuf-2.5.0]# ./configure 
  6. [root@bigdata03protobuf-2.5.0]#  make 
  7. [root@bigdata03protobuf-2.5.0]#  make install

查看protobuf版本以测试是否安装成功

  1. [root@bigdata03protobuf-2.5.0]# protoc --version
  2. 4．编译hadoop native
  3. [root@bigdata03software]# tar -zxvf hadoop-2.7.2-src.tar.gz
  4. [root@bigdata03software]# tar -zxf hadoop-2.7.2-src.tar.gz -C /opt/
  5. [root@bigdata03software]# cd hadoop-2.7.2-src/
  6. [root@bigdata03software]# mvn clean package -DskipTests -Pdist,native -Dtar -Dsnappy.lib=/usr/local/lib -Dbundle.snappy
  7. [root@bigdata03hadoop-2.7.2-src]# mvn clean package -DskipTests -Pdist,native -Dtar -Dsnappy.lib=/usr/local/lib -Dbundle.snappy

执行成功后，/opt/software/hadoop-2.7.2-src/hadoop-dist/target/hadoop-2.7.2.tar.gz即为新生成的支持snappy压缩的二进制安装包。

8.2 Hadoop压缩配置

8.2.1 MR支持的压缩编码

表6-8压缩格式 工具 算法 文件扩展名 是否可切分DEFLATE 无 DEFLATE .deflate 否Gzip gzip DEFLATE .gz 否bzip2 bzip2 bzip2 .bz2 是LZO lzop LZO .lzo 是Snappy 无 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：表6-9压缩格式 对应的编码/解码器DEFLATE org.apache.hadoop.io.compress.DefaultCodecgzip org.apache.hadoop.io.compress.GzipCodecbzip2 org.apache.hadoop.io.compress.BZip2CodecLZO com.hadoop.compression.lzo.LzopCodecSnappy org.apache.hadoop.io.compress.SnappyCodec压缩性能的比较：表6-10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/sbzip2 8.3GB 1.1GB 2.4MB/s 9.5MB/sLZO 8.3GB 2.9GB 49.3MB/s 74.6MB/shttp://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.

8.2.2 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）：

org.apache.hadoop.io.compress.Lz4Codec 输入压缩 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 这个参数设为true启用压缩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启用压缩mapreduce.output.fileoutputformat.compress.codec org.apache.hadoop.io.compress. DefaultCodec reducer输出 使用标准工具或者编解码器，如gzip和bzip2mapreduce.output.fileoutputformat.compress.type RECORD reducer输出 SequenceFile输出使用的压缩类型：NONE和BLOCK

8.3 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。具体配置如下：
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)>

  1. set mapreduce.map.output.compress.codec=
  2.  org.apache.hadoop.io.compress.SnappyCodec;

4．执行查询语句
hive (default)> select count(ename) name from emp;

8.4 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。
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)>

  1. set mapreduce.output.fileoutputformat.compress.codec =
  2.  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)>

  1. insert overwrite local directory
  2.  '/opt/module/datas/distribute-result' select * from emp distribute by deptno sort by empno desc;

8.5 文件存储格式

Hive支持的存储数据的格式主要有：TEXTFILE 、SEQUENCEFILE、ORC、PARQUET。
8.5.1 列式存储和行式存储

watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNjc0MzYw_size_16_color_FFFFFF_t_70

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。

8.5.2 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。
8.5.3 Orc格式
Orc (Optimized Row Columnar)是Hive 0.11版里引入的新的存储格式。
如图6-11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：

图6-11 Orc格式

  1. 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.     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. 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。

8.5.4 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文件的格式如图6-12所示。

在这里插入图片描述

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。
8.5.5 主流文件存储格式对比实验
从存储文件的压缩比和查询速度两个角度对比。
存储文件的压缩比测试：

  1. 测试数据

2．TextFile
（1）创建表，存储数据格式为TEXTFILE

  1. create table log_text (
  2. track_time string,
  3. url string,
  4. session_id string,
  5. referer string,
  6. ip string,
  7. end_user_id string,
  8. city_id string
  9. )
  10. row format delimited fields terminated by '\t'
  11. stored as textfile ;

（2）向表中加载数据
hive (default)> load data local inpath '/opt/module/datas/log.data' into table log_text ;
（3）查看表中数据大小
hive (default)> dfs -du -h /user/hive/warehouse/log_text;

  1. 18.1 M  /user/hive/warehouse/log_text/log.data

3．ORC
（1）创建表，存储数据格式为ORC

  1. create table log_orc(
  2. track_time string,
  3. url string,
  4. session_id string,
  5. referer string,
  6. ip string,
  7. end_user_id string,
  8. city_id string
  9. )
  10. row format delimited fields terminated by '\t'
  11. stored as orc ;

（2）向表中加载数据
hive (default)> insert into table log_orc select * from log_text ;
（3）查看表中数据大小
hive (default)> dfs -du -h /user/hive/warehouse/log_orc/ ;

  1. 2.8 M  /user/hive/warehouse/log_orc/000000_0

4．Parquet
（1）创建表，存储数据格式为parquet

  1. create table log_parquet(
  2. track_time string,
  3. url string,
  4. session_id string,
  5. referer string,
  6. ip string,
  7. end_user_id string,
  8. city_id string
  9. )
  10. row format delimited fields terminated by '\t'
  11. stored as parquet ;

（2）向表中加载数据
hive (default)> insert into table log_parquet select * from log_text ;
（3）查看表中数据大小
hive (default)> dfs -du -h /user/hive/warehouse/log_parquet/ ;

  1. 13.1 M  /user/hive/warehouse/log_parquet/000000_0

存储文件的压缩比总结：

  1. ORC >  Parquet >  textFile

存储文件的查询速度测试：
1．TextFile（自测≈14.7s）

  1. hive (default)> select count(*) from log_text;
  2. _c0
  3. 100000
  4. Time taken: 21.54 seconds, Fetched: 1 row(s)
  5. Time taken: 21.08 seconds, Fetched: 1 row(s)
  6. Time taken: 19.298 seconds, Fetched: 1 row(s)

2．ORC（自测≈13.7）

  1. hive (default)> select count(*) from log_orc;
  2. _c0
  3. 100000
  4. Time taken: 20.867 seconds, Fetched: 1 row(s)
  5. Time taken: 22.667 seconds, Fetched: 1 row(s)
  6. Time taken: 18.36 seconds, Fetched: 1 row(s)

3．Parquet（自测≈14.7s）

  1. hive (default)> select count(*) from log_parquet;
  2. _c0
  3. 100000
  4. Time taken: 22.922 seconds, Fetched: 1 row(s)
  5. Time taken: 21.074 seconds, Fetched: 1 row(s)
  6. Time taken: 18.384 seconds, Fetched: 1 row(s)

存储文件的查询速度总结：查询速度相近。

发表评论

表情：
评论列表 （有 0 条评论，320人围观）

还没有评论，来说两句吧...

相关阅读