Hive文件存储格式

列式存储和行式存储

上图左边为逻辑表，右侧上边第一个为行式存储，下边第二个为列式存储。

• 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，而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。

• 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压缩算法。

Hive支持的文件存储格式

Hive支持的存储的格式主要有：TEXTFILE 、SEQUENCEFILE、ORC、PARQUET，其中：

• TEXTFILE和SEQUENCEFILE的存储格式都是基于行存储的
• ORC和PARQUET主要是基于列式存储的

TextFile格式

TextFile格式是默认格式，数据不做压缩，磁盘开销大，数据解析开销大。 TextFile格式可结合Gzip、Bzip2使用。

注意：使用Gzip压缩方式，hive不会对数据进行切分，从而无法对数据进行并行操作。

Orc格式

Orc (Optimized Row Columnar)是Hive 0.11版里引入的新的存储格式。 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，这样能提升顺序读的吞吐率。

Orc实际上是行列存储的：它实际上是将表按250M打开，250M内部按列存储，2150M之间按行存储。比如下图每9组都是250M： 每个Stripe里有三部分组成，分别是Index Data，Row Data，Stripe Footer： 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。

Parquet格式

Parquet是面向分析型业务的列式存储格式。 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。

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，这样可以让每一个行组由一个Mapper任务处理，增大任务执行并行度。

Parquet文件的格式： 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。

Hive文件存储格式压缩比和查询速度对比

1. 测试数据 zdg#12344321#zdg@csdn.net LaoZheng#670203313747#chengming_zheng@163.com fstao#730413#fstao@tom.com huwolf#2535263#hujiye@263.net cadcjl#KIC43dk6!#ccedcjl@21cn.com netsky#s12345#songmail@21cn.com Michael#apple#appollp@netease.com …

TextFile

第一步：创建表，存储数据格式为TEXTFILE

第二步：加载数据到表中： 第三步：查看表中数据大小

ORC

第一步：创建表，存储数据格式为ORC

第二步：加载数据到表中 第三步：查看表中数据大小

Parquet

第一步：创建表，存储数据格式为parquet

第二步：加载数据到表中 第三步：查看表中数据大小 比较：

格式大小查询速度（用时）TextFile42.6M0.279sOcr19.8M0.78sParquet46.3M0.236s

注：测试查询速度，执行的是全表扫描：select * from 表名;

测试存储和压缩

查看Hadoop支持的压缩类型

非压缩的orc存储方式

第一步：创建表 第二步：添加数据 第三步：查看文件大小

snappy压缩的orc存储方式

第一步：创建表 第二步：导入数据 第三步：查看文件大小 orc存储文件默认采用ZLIB压缩。其压缩率比snappy要高。

结论：

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。