Hive的存储格式对比

在生产中可以通过Hive表的文件格式及查询速度的对比来确定使用哪种文件格式，以节省空间和提高查询速度；

官方参考文档：https://cwiki.apache.org/confluence/display/HIVE

结论：

    压缩效果：

        最好的是：bzip2；bzip2压缩比很高，但是占用时间较久

        其次：orc和parquet的压缩几乎一致；生产建议选择orc或者parquet; 

    查询性能：由于数据量太小，得出的结果不准确；大佬的生产经验是parquet的查询性能要优于orc；

Hive支持的存储格式有：

    Text File

    SequenceFile

    RCFile

    Avro Files

    ORC Files

    Parquet

注：Hive默认的格式为Text File，可以通过set hive.default.fileformat查看

> set hive.default.fileformat;
hive.default.fileformat=TextFile

以下将对每种文件格式进行对比：

创建TextFile表

#原始数据格式为TextFile，大小为65M
[hadoop@hadoop001 ~]$ hadoop fs -du -s -h /input/*
64.9 M  194.7 M  /input/part-r-00000

#创建表并加载TextFile数据
CREATE EXTERNAL TABLE textfile (
cdn string, 
region string, 
level string, 
time string, 
ip string, 
domain string, 
url string, 
traffic bigint)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'; 

load data local inpath '/home/hadoop/part-r-00000' overwrite into table textfile;

可以看到此数据大小的64.9M

从上面的表中创建一个bzip2压缩的表：

hive支持在创建表的时候对数据进行压缩，配置如下：

设置开启压缩：set hive.exec.compress.output=true;

查看压缩的格式：set mapreduce.output.fileoutputformat.compress.codec;

配置压缩的格式：set mapreduce.output.fileoutputformat.compress.codec=org.apache.hadoop.io.compress.BZip2Codec

#创建一个bzip2压缩的表
create table textfile_bzip2 as select * from textfile;

可以看到启动压缩以后，大小只有13.84M，格式为bz2

创建SequenceFile表

#创建SequenceFile表
CREATE EXTERNAL TABLE seqfile (
cdn string, 
region string, 
level string, 
time string, 
ip string, 
domain string, 
url string, 
traffic bigint)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
stored as sequencefile;

#加载数据
insert into table seqfile select * from textfile;
注：默认用load加载数据时，由于源文件是textfile，而表格式为sequencefile，所以无法直接加载，要借用一个临时表使用insert into进行加载

可以看到sequencefile格式的表数据比原始文件还要大，这是因为sequencefile表在创建时，增加了很多额外信息，在生产中不使用此种类型的文件格式;

创建RCFile表

#创建RCFile表
CREATE EXTERNAL TABLE rcfile (
cdn string, 
region string, 
level string, 
time string, 
ip string, 
domain string, 
url string, 
traffic bigint)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
stored as rcfile;

#加载数据
insert into table rcfile select * from textfile;

rcfile的作用仅仅是将存储空间节省了10%左右，在生产中不使用此种文件格式；

创建ORC Files：orc是基于rc，是优化过后的列式存储

关于orc的官方介绍：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+ORC

#创建orc格式的表；默认orcfile是采用zlib格式进行压缩
CREATE EXTERNAL TABLE orcfile (
cdn string, 
region string, 
level string, 
time string, 
ip string, 
domain string, 
url string, 
traffic bigint)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
stored as orcfile;

#加载数据
insert into table orcfile select * from textfile;

#创建orc格式的表，指定不采用zlib压缩；通过"orc.compress"="NONE"指定
create table orcfile_none
stored as orc tblproperties ("orc.compress"="NONE") 
as select * from textfile;

orcfile采用zlib压缩：

orcfile不采用zlib压缩：

总结：通过对比，采用zlib压缩时，节省的空间更多一点

创建Parquet格式的表

#创建Parquet格式不使用压缩
create table parquetfile
stored as parquet
as select * from textfile;


#创建Parquet格式使用gzip压缩
set parquet.compression=gzip;

create table parquetfile_gzip
stored as parquet
as select * from textfile;

注：通过对比，Parquet格式使用gzip压缩时，可以节省大量的空间

parquet不经过gzip压缩：可以看到几乎没有压缩多少空间

parquet经过gzip压缩：可以看到压缩后的数据很代；

查询性能对比：

查询语句：select count(*) from textfile|rcfile|orcfile|parquetfile where ip='210.35.230.31';

查询条数：

    textfile：查询了全表的所有数据，查询68085397条数据；

    rcfile：查询1973371条数据；

    orcfile：查询2883851条数据；

    parquetfile：查询了8622602条数据；