大数据技术之Hive 第8章压缩和存储

痛定思痛。 2022-12-29 14:15 236阅读 0赞

### 第8章 压缩和存储 ###

*  8.1 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
 *  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
 *   *  8.5.1 列式存储和行式存储
     *  8.5.2 TextFile格式
     *  8.5.3 Orc格式
     *  8.5.4 Parquet格式
 *  8.6 存储和压缩结合
 *   *  8.6.1 修改Hadoop集群具有Snappy压缩方式
     *  8.6.2 测试存储和压缩

# 8.1 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）hadoop-2.7.2-src.tar.gz  
（2） jdk-8u144-linux-x64.tar.gz  
（3）snappy-1.1.3.tar.gz  
（4）apache-maven-3.0.5-bin.tar.gz  
（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)

> \[root@hadoop101 software\] \# tar -zxf jdk-8u144-linux-x64.tar.gz -C /opt/module/  
> \[root@hadoop101 software\]\# vi /etc/profile  
> \#JAVA\_HOME  
> export JAVA\_HOME=/opt/module/jdk1.8.0\_144  
> export PATH= P A T H : PATH: PATH:JAVA\_HOME/bin  
> \[root@hadoop101 software\]\#source /etc/profile  
> **验证命令：java -version**

2．Maven解压、配置 MAVEN\_HOME和PATH

> \[root@hadoop101 software\]\# tar -zxvf apache-maven-3.0.5-bin.tar.gz -C /opt/module/  
> \[root@hadoop101 apache-maven-3.0.5\]\# vi /etc/profile  
> \#MAVEN\_HOME  
> export MAVEN\_HOME=/opt/module/apache-maven-3.0.5  
> export PATH= P A T H : PATH: PATH:MAVEN\_HOME/bin  
> \[root@hadoop101 software\]\#source /etc/profile  
> **验证命令：mvn -version**

## 8.1.3 编译源码 ##

1．准备编译环境

> \[root@hadoop101 software\]\# yum install svn  
> \[root@hadoop101 software\]\# yum install autoconf automake libtool cmake  
> \[root@hadoop101 software\]\# yum install ncurses-devel  
> \[root@hadoop101 software\]\# yum install openssl-devel  
> \[root@hadoop101 software\]\# yum install gcc\*

2．编译安装snappy

> \[root@hadoop101 software\]\# tar -zxvf snappy-1.1.3.tar.gz -C /opt/module/  
> \[root@hadoop101 module\]\# cd snappy-1.1.3/  
> \[root@hadoop101 snappy-1.1.3\]\# ./configure  
> \[root@hadoop101 snappy-1.1.3\]\# make  
> \[root@hadoop101 snappy-1.1.3\]\# make install  
> \#查看snappy库文件  
> \[root@hadoop101 snappy-1.1.3\]\# ls -lh /usr/local/lib |grep snappy

3．编译安装protobuf

> \[root@hadoop101 software\]\# tar -zxvf protobuf-2.5.0.tar.gz -C /opt/module/  
> \[root@hadoop101 module\]\# cd protobuf-2.5.0/  
> \[root@hadoop101 protobuf-2.5.0\]\# ./configure  
> \[root@hadoop101 protobuf-2.5.0\]\# make  
> \[root@hadoop101 protobuf-2.5.0\]\# make install  
> \#查看protobuf版本以测试是否安装成功  
> \[root@hadoop101 protobuf-2.5.0\]\# protoc --version

4．编译hadoop native

> \[root@hadoop101 software\]\# tar -zxvf hadoop-2.7.2-src.tar.gz  
> \[root@hadoop101 software\]\# cd hadoop-2.7.2-src/  
> \[root@hadoop101 software\]\# 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 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70]  
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：  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70 1]  
压缩性能的比较：![在这里插入图片描述][20201223102946798.png]  
http://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）：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70 2]

# 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)>set mapreduce.map.output.compress.codec=  
> 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)> 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  
> 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)> insert overwrite local directory  
> ‘/home/zhiquan/hiveout1/distribute-result’ select \* from emp distribute by deptno sort by empno desc;

# 8.5 文件存储格式 #

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

## 8.5.1 列式存储和行式存储 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70 3]  
如图6-10所示左边为逻辑表，右边第一个为行式存储，第二个为列式存储。

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stripe250MB大小，这个Stripe实际相当于RowGroup概念，不过大小由4MB->250MB，这样应该能提升顺序读的吞吐率。每个Stripe里有三部分组成，分别是Index Data，Row Data，Stripe Footer：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70 4]  
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。

## 8.5.4 Parquet格式 ##

Parquet是面向分析型业务的列式存储格式，由Twitter和Cloudera合作开发，2015年5月从Apache的孵化器里毕业成为Apache顶级项目。  
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文件的格式如图6-12所示。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70 5]  
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。

# 8.6 存储和压缩结合 #

## 8.6.1 修改Hadoop集群具有Snappy压缩方式 ##

> 1．查看hadoop checknative命令使用  
> \[atguigu@hadoop104 hadoop-2.7.2\]$ hadoop  
> checknative \[-a|-h\] check native hadoop and compression libraries availability  
> 2．查看hadoop支持的压缩方式  
> \[atguigu@hadoop104 hadoop-2.7.2\]$ hadoop checknative  
> 17/12/24 20:32:52 WARN bzip2.Bzip2Factory: Failed to load/initialize native-bzip2 library system-native, will use pure-Java version  
> 17/12/24 20:32:52 INFO zlib.ZlibFactory: Successfully loaded & initialized  
> native-zlib library  
> Native library checking:  
> hadoop: true /opt/module/hadoop-2.7.2/lib/native/libhadoop.so  
> zlib: true /lib64/libz.so.1  
> snappy: false  
> lz4: true revision:99  
> bzip2: false  
> 3．将编译好的支持Snappy压缩的hadoop-2.7.2.tar.gz包导入到hadoop102的/opt/software中  
> 4．解压hadoop-2.7.2.tar.gz到当前路径  
> \[atguigu@hadoop102 software\]$ tar -zxvf hadoop-2.7.2.tar.gz  
> 5．进入到/opt/software/hadoop-2.7.2/lib/native路径可以看到支持Snappy压缩的动态链接库  
> \[atguigu@hadoop102 native\]$ pwd  
> /opt/software/hadoop-2.7.2/lib/native  
> \[atguigu@hadoop102 native\]$ ll  
> \-rw-r–r--. 1 atguigu atguigu 472950 9月 1 10:19 libsnappy.a  
> \-rwxr-xr-x. 1 atguigu atguigu 955 9月 1 10:19 libsnappy.la  
> lrwxrwxrwx. 1 atguigu atguigu 18 12月 24 20:39 libsnappy.so -> libsnappy.so.1.3.0  
> lrwxrwxrwx. 1 atguigu atguigu 18 12月 24 20:39 libsnappy.so.1 -> libsnappy.so.1.3.0  
> \-rwxr-xr-x. 1 atguigu atguigu 228177 9月 1 10:19 libsnappy.so.1.3.0  
> 6．拷贝/opt/software/hadoop-2.7.2/lib/native里面的所有内容到开发集群的/opt/module/hadoop-2.7.2/lib/native路径上  
> \[atguigu@hadoop102 native\]$ cp …/native/\* /opt/module/hadoop-2.7.2/lib/native/  
> 7．分发集群  
> \[atguigu@hadoop102 lib\]$ xsync native/  
> 8．再次查看hadoop支持的压缩类型  
> \[atguigu@hadoop102 hadoop-2.7.2\]$ hadoop checknative  
> 17/12/24 20:45:02 WARN bzip2.Bzip2Factory: Failed to load/initialize native-bzip2 library system-native, will use pure-Java version  
> 17/12/24 20:45:02 INFO zlib.ZlibFactory: Successfully loaded & initialized native-zlib library  
> Native library checking:  
> hadoop: true /opt/module/hadoop-2.7.2/lib/native/libhadoop.so  
> zlib: true /lib64/libz.so.1  
> snappy: true /opt/module/hadoop-2.7.2/lib/native/libsnappy.so.1  
> lz4: true revision:99  
> bzip2: false  
> 9．重新启动hadoop集群和hive

## 8.6.2 测试存储和压缩 ##

官网：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+ORC  
ORC存储方式的压缩：![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70 6]  
1．创建一个非压缩的的ORC存储方式

> （1）建表语句  
> create table log\_orc\_none(  
> 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”);  
> （2）插入数据  
> hive (default)> insert into table log\_orc\_none select \* from log\_text ;  
> （3）查看插入后数据  
> hive (default)> dfs -du -h /user/hive/warehouse/log\_orc\_none/ ;  
> 7.7 M /user/hive/warehouse/log\_orc\_none/000000\_0

2．创建一个SNAPPY压缩的ORC存储方式

> 1）建表语句  
> 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  
> hive (default)> insert into table log\_orc\_snappy select \* from log\_text ;  
> （3）查看插入后数据  
> hive (default)> dfs -du -h /user/hive/warehouse/log\_orc\_snappy/ ;  
> 3.8 M /user/hive/warehouse/log\_orc\_snappy/000000\_0

3．上一节中默认创建的ORC存储方式，导入数据后的大小为

> 2.8 M /user/hive/warehouse/log\_orc/000000\_0  
> 比Snappy压缩的还小。原因是orc存储文件默认采用ZLIB压缩。比snappy压缩的小。  
> 4．存储方式和压缩总结  
> 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，lzo。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70]: /images/20221120/fde8f516a9b04ad4a2b4b1cd43149b5c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70 1]: /images/20221120/7e6f20ad61b74e36a4cf1e72d87219a1.png
[20201223102946798.png]: /images/20221120/a5b71ba217fa4febb5898d474603e66b.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70 2]: /images/20221120/b1628b1401244ff4a57aaeb22dc7c4bf.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70 3]: /images/20221120/3d7f5cbab5a74d8a81196b235b62172a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70 4]: /images/20221120/b646d9fa77f049bb8464ce2f6c43ddd9.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70 5]: /images/20221120/2a4ef7927db749088f71b1d8edca0db7.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3d6cTE4ODQ1MjgwNjEw_size_16_color_FFFFFF_t_70 6]: /images/20221120/fed7a6b62f5d42e797951ef217206bbb.png