hive中的文件格式和压缩类型

Hive中的文件格式

1-TEXTFILE

• 文本格式，Hive的默认格式，数据不压缩，磁盘开销大、数据解析开销大。
• 对应的hive API为：org.apache.hadoop.mapred.TextInputFormat和org.apache.hive.ql.io.HiveIgnoreKeyTextOutputFormat；
• 可结合Gzip、Bzip2使用(系统自动检查，执行查询时自动解压)，但是使用这种方式，hive不会对数据进行切分，从而无法对数据进行并行操作

2-SequenceFile

• Hadoop提供的二进制文件，Hadoop支持的标准文件；
• 数据直接序列化到文件中，SequenceFile文件不能直接查看，可以通过Hadoop fs -text查看；
• SequenceFile具有使用方便、可分割、可压缩、可进行切片，压缩支持NONE、RECORD、BLOCK（优先）；
• 对应hive API：org.apache.hadoop.mapred.SequenceFileInputFormat和org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat

3-RCFILE

• rcfile是一种行列存储相结合的存储方式，先将数据按行进行分块再按列式存储，保证同一条记录在一个块上，避免读取多个块，有利于数据压缩和快速进行列存储；
• 对应 hive API为：org.apache.hadoop.hive.ql.io.RCFileInputFormat和org.apache.hadoop.hive.ql.io.RCFileOutputFormat

4-orcfile

• orcfile式对rcfile的优化，可以提高hive的读写、数据处理性能、提供更高的压缩效率；
• 优点：
  • 每个task只输出单个文件，减少namenode负载；
  • 支持各种复杂的数据类型，比如：datetime，decima以及复杂类型struct、list、map；
  • 文件中存储了一些轻量级的索引数据；
  • 基于数据类型的块模式压缩：integer类型的列用行程长度编码，string类型的列使用字典编码；
  • 用多个相互独立的recordReaders并行读相同的文件
  • 无需扫描markers即可分割文件
  • 绑定读写所需内存
  • metadata存储用protocol buffers，支持添加和删除列

5-parquet

• Parquet也是一种列式存储，同时具有很好的压缩性能；同时可以减少大量的表扫描和反序列化的时间。

总结

• textfile 存储空间消耗比较大，并且压缩的text 无法分割和合并 查询的效率最低,可以直接存储，加载数据的速度最高；
• sequencefile 存储空间消耗最大,压缩的文件可以分割和合并 查询效率高，需要通过text文件转化来加载；
• orcfile, rcfile存储空间最小，查询的效率最高 ，需要通过text文件转化来加载，加载的速度最低；
• parquet格式是列式存储，有很好的压缩性能和表扫描功能；

Hive支持的压缩格式

• Hive支持的压缩格式为Gzip、Bzip2、lzo、snappy