搜索 | 会员
hive表的存储格式;ORC格式的使用
来源: CSDN博客   作者:网友  日期:2017/7/6  类别:大数据  主题:Hadoop  编辑:清川带长薄
默认格式,建表时不指定默认为这个格式,导入数据时会直接把数据文件拷贝到hdfs上不进行处理。源文件可以直接通过hadoopfs-cat查看

hive表的源文件存储格式有几类:

  1、TEXTFILE  
  默认格式,建表时不指定默认为这个格式,导入数据时会直接把数据文件拷贝到hdfs上不进行处理。源文件可以直接通过hadoop fs -cat 查看
  2、SEQUENCEFILE  一种Hadoop API提供的二进制文件,使用方便、可分割、可压缩等特点。
    SEQUENCEFILE将数据以<key,value>的形式序列化到文件中。序列化和反序列化使用Hadoop 的标准的Writable 接口实现。key为空,用value 存放实际的值, 这样可以避免map 阶段的排序过程。
    三种压缩选择:NONE, RECORD, BLOCK。 Record压缩率低,一般建议使用BLOCK压缩。使用时设置参数,
        SET hive.exec.compress.output=true;
        SET io.seqfile.compression.type=BLOCK; -- NONE/RECORD/BLOCK
        create table test2(str STRING)  STORED AS SEQUENCEFILE; 

  3、RCFILE  
    一种行列存储相结合的存储方式。首先,其将数据按行分块,保证同一个record在一个块上,避免读一个记录需要读取多个block。其次,块数据列式存储,有利于数据压缩和快速的列存取。
      理论上具有高查询效率(但hive官方说效果不明显,只有存储上能省10%的空间,所以不好用,可以不用)。
      RCFile结合行存储查询的快速和列存储节省空间的特点
        1)同一行的数据位于同一节点,因此元组重构的开销很低;
        2) 块内列存储,可以进行列维度的数据压缩,跳过不必要的列读取。
      查询过程中,在IO上跳过不关心的列。实际过程是,在map阶段从远端拷贝仍然拷贝整个数据块到本地目录,也并不是真正直接跳过列,而是通过扫描每一个row group的头部定义来实现的。
      但是在整个HDFS Block 级别的头部并没有定义每个列从哪个row group起始到哪个row group结束。所以在读取所有列的情况下,RCFile的性能反而没有SequenceFile高。

  4、ORC hive给出的新格式,属于RCFILE的升级版。

  5、自定义格式 用户的数据文件格式不能被当前 Hive 所识别的,时通过实现inputformat和outputformat来自定义输入输出格式,
  参考代码:.\hive-0.8.1\src\contrib\src\java\org\apache\hadoop\hive\contrib\fileformat\base64

  对前集中的介绍和建表语句参见:http://www.cnblogs.com/ggjucheng/archive/2013/01/03/2843318.html

注意:

  只有TEXTFILE表能直接加载数据,必须,本地load数据,和external外部表直接加载运路径数据,都只能用TEXTFILE表。
  更深一步,hive默认支持的压缩文件(hadoop默认支持的压缩格式),也只能用TEXTFILE表直接读取。其他格式不行。可以通过TEXTFILE表加载后insert到其他表中。

  换句话说,SequenceFile、RCFile表不能直接加载数据,数据要先导入到textfile表,再从textfile表通过insert select from 导入到SequenceFile,RCFile表。
  SequenceFile、RCFile表的源文件不能直接查看,在hive中用select看。RCFile源文件可以用 hive --service rcfilecat /xxxxxxxxxxxxxxxxxxxxxxxxxxx/000000_0查看,但是格式不同,很乱。

  hive默认支持压缩文件格式参考http://blog.csdn.net/longshenlmj/article/details/50550580

ORC格式

   ORC是RCfile的升级版,性能有大幅度提升,
    而且数据可以压缩存储,压缩比和Lzo压缩差不多,比text文件压缩比可以达到70%的空间。而且读性能非常高,可以实现高效查询。
    具体介绍https://cwiki.apache.org/confluence/display/Hive/LanguageManual+ORC

建表语句如下:
  同时,将ORC的表中的NULL取值,由默认的\N改为'',

方式一

create table if not exists test_orc(

  advertiser_id string,

  ad_plan_id string,

  cnt BIGINT

) partitioned by (day string, type TINYINT COMMENT '0 as bid, 1 as win, 2 as ck', hour TINYINT)

STORED AS ORC;


alter table test_orc set serdeproperties('serialization.null.format' = '');



查看结果

hive> show create table test_orc;

CREATE  TABLE `test_orc`(

  `advertiser_id` string, 

  `ad_plan_id` string, 

  `cnt` bigint)

PARTITIONED BY ( 

  `day` string, 

  `type` tinyint COMMENT '0 as bid, 1 as win, 2 as ck', 

  `hour` tinyint)

ROW FORMAT DELIMITED 

  NULL DEFINED AS '' 

STORED AS INPUTFORMAT 

  'org.apache.hadoop.hive.ql.io.orc.OrcInputFormat' 

OUTPUTFORMAT 

  'org.apache.hadoop.hive.ql.io.orc.OrcOutputFormat'

LOCATION

  'hdfs://namenode/hivedata/warehouse/pmp.db/test_orc'

TBLPROPERTIES (

  'last_modified_by'='pmp_bi', 

  'last_modified_time'='1465992624', 

  'transient_lastDdlTime'='1465992624')

方式二

rop table test_orc;

create table if not exists test_orc(

  advertiser_id string,

  ad_plan_id string,

  cnt BIGINT

) partitioned by (day string, type TINYINT COMMENT '0 as bid, 1 as win, 2 as ck', hour TINYINT)

ROW FORMAT SERDE 

  'org.apache.hadoop.hive.ql.io.orc.OrcSerde' 

with serdeproperties('serialization.null.format' = '')

STORED AS ORC;



查看结果

hive> show create table test_orc;

CREATE  TABLE `test_orc`(

  `advertiser_id` string, 

  `ad_plan_id` string, 

  `cnt` bigint)

PARTITIONED BY ( 

  `day` string, 

  `type` tinyint COMMENT '0 as bid, 1 as win, 2 as ck', 

  `hour` tinyint)

ROW FORMAT DELIMITED 

  NULL DEFINED AS '' 

STORED AS INPUTFORMAT 

  'org.apache.hadoop.hive.ql.io.orc.OrcInputFormat' 

OUTPUTFORMAT 

  'org.apache.hadoop.hive.ql.io.orc.OrcOutputFormat'

LOCATION

  'hdfs://namenode/hivedata/warehouse/pmp.db/test_orc'

TBLPROPERTIES (

  'transient_lastDdlTime'='1465992726')

方式三


drop table test_orc;

create table if not exists test_orc(

  advertiser_id string,

  ad_plan_id string,

  cnt BIGINT

) partitioned by (day string, type TINYINT COMMENT '0 as bid, 1 as win, 2 as ck', hour TINYINT)

ROW FORMAT DELIMITED 

  NULL DEFINED AS '' 

STORED AS ORC;


查看结果

hive> show create table test_orc;

CREATE  TABLE `test_orc`(

  `advertiser_id` string, 

  `ad_plan_id` string, 

  `cnt` bigint)

PARTITIONED BY ( 

  `day` string, 

  `type` tinyint COMMENT '0 as bid, 1 as win, 2 as ck', 

  `hour` tinyint)

ROW FORMAT DELIMITED 

  NULL DEFINED AS '' 

STORED AS INPUTFORMAT 

  'org.apache.hadoop.hive.ql.io.orc.OrcInputFormat' 

OUTPUTFORMAT 

  'org.apache.hadoop.hive.ql.io.orc.OrcOutputFormat'

LOCATION

  'hdfs://namenode/hivedata/warehouse/pmp.db/test_orc'

TBLPROPERTIES (

  'transient_lastDdlTime'='1465992916')


德仔网尊重行业规范,每篇文章都注明有明确的作者和来源;德仔网的原创文章,请转载时务必注明文章作者和来源:德仔网;
头条那些事
大家在关注
我们的推荐
也许感兴趣的
干货