Hive 支持的文件存储格式
Apache Hive支持Apache Hadoop中使用的几种熟悉的文件格式
- TextFile（文本格式）
- RCFile（行列式文件）
- SequenceFile（二进制序列化文件）
- AVRO
- ORC（优化的行列式文件）
- Parquet 格式
使用最多的是TextFile，SequenceFile，ORC和Parquet，今天此篇就从ORC 和 Parquet讲讲这两种文件存储格式，在讲之前再认识下 TextFile 文件存储格式。
TextFile
TextFile 的特点就是行存储文件(每一行就是一条记录)，可以使用任意的分隔符进行分割，但是无压缩，所以数据存储空间大。可以结合GZIP，SNAPPY 等使用，但是hive并不会对数据进行切分，所以就无法对数据进行并行处理操作。
总结：TextFile 默认格式，数据不做压缩，磁盘开销大，数据解析开销大。
row format delimited fields terminated by '\t'
stored as textfile;
ORC
ORC文件以二进制方式存储，所以是不可以直接读取，ORC文件也是自解析的，它包含许多的元数据。ORC文件：保存在文件系统上的普通二进制文件，一个ORC文件中可以包含多个stripe，每一个stripe包含多条记录，这些记录按照列进行独立存储。
列式存储与行列式存储
列式存储，是按照一列一列存储的，如果查询一个列（字段）的数据，就等于是索引查询，效率高。但是如果需要查全表（所有列），因为需要取所有的列最后汇总，反而更占用资源，然而ORC存在以下特点。
特点
（1）在需要全表扫描时，可以按照行组读取。
（2）如果需要取列数据，在行组的基础上，读取指定的列，而不需要所有行组内所有行的数据和一行内所有字段的数据。
所以要看下ORC的存储结构。
ORC的存储结构
（1）stripe：一组行形成一个stripe，每次读取文件是以行组为单位的，一般为HDFS的块大小，保存了每一列的索引和数据。
（2）Index Data：存数据的一些统计信息和位置索引信息。
（3）Row Data：数据存储的地方，有多个行组组成。
（4）Stripe Footer：保存文件所在的文目录。
（5）File Footer：文件脚注，包含了文件中stripe的列表，每个stripe的行数和行的数据类型，以及每列的最值和聚合信息。
（6）Poststripe：包含压缩参数大小相关的信息。
ORC提供了3级索引，文件级、条带级（stripe）、行组级，所以在查询的时候，利用这些索引可以规避大部分不满足查询条件的文件和数据块。
; ORC的事务ACID
ORC格式的表还支持事务ACID,然而支持事务的表必须是分桶表，这是因为Hive表没有分桶，那么数据文件的散乱的，hive的事务机制无法有效的读取，所以适用于更新大批量的数据，不建议用事务频繁的更新小批量的数据。
Hive 事务支持
（1） 建的表必须是分桶表。
（2）建表的类型文件：stored as orc
（3） tblproperties(‘transactional’=’true’);
#必须支持分桶
clustered by (id) into 2 buckets
#在表属性中添加支持事务
stored as orc
TBLPROPERTIES('transactional'='true');
其他参数配置
#开启并发支持,支持插入、删除和更新的事务
SET hive.support.concurrency = true;
#支持ACID事务的表必须为分桶表
SET hive.enforce.bucketing = true;
#开启事物需要开启动态分区非严格模式
SET hive.exec.dynamic.partition.mode = nonstrict;
#设置事务所管理类型为 org. apache.hive.q1. lockage. DbTxnManager
#原有的org. apache. hadoop.hive.q1.1 eckmar. DummyTxnManager不支持事务
SET hive.txn.manager = org.apache.hadoop.hive.ql.lockmgr.DbTxnManager;
#开启在相同的一个 meatore实例运行初始化和清理的线程
SET hive.compactor.initiator.on = true;
#设置每个 metastore实例运行的线程数 hadoop
SET hive.compactor.worker.threads = 1;
ORC存储与压缩选择
ORC格式存储与Snappy压缩
stored as orc
tblproperties ('orc.compress'='snappy');
注意：
(1) snappy本身是不可切分的。
(2) snappy作用在文本类文件格式上不可切分。
(3) snappy压缩格式作用在parquet、orc等这些文件格式上，能够支持切分。这里切分并不是因为snappy变的可切分了，而是因为这些文件格式可以。
ORC 总结
（1）ORC是列式存储，有多种文件压缩方式，并且有着很高的压缩比。
（2）文件是可切分（Split）的。因此，在Hive中使用ORC作为表的文件存储格式，不仅节省HDFS存储资源，查询任务的输入数据量减少，使用的MapTask也就减少了。
（3）提供了多种索引，row group index、bloom filter index。
（4）ORC可以支持复杂的数据结构。
Parquet
Parquet为了使Hadoop生态系统中的任何项目都可以使用压缩的，被称为高效的列式数据表示形式。
特点
（1）跨平台。
（2）可被各种文件系统识别的格式。
（3）按列存储数据。
（4）存储元数据。
Parquet的存储结构
Parquet文件是以二进制方式存储的，所以不可以直接读取，和ORC一样，文件的元数据和数据一起存储，所以Parquet格式文件是自解析的。
（1）Row Group：每一个行组包含一定的行数，在一个HDFS文件中至少存储一个行组，类似于orc的stripe的概念。
（2）Column Chunk：在一个行组中每一列保存在一个列块中，行组中的所有列连续的存储在这个行组文件中。一个列块中的值都是相同类型的，不同的列块可能使用不同的算法进行压缩。
（3）Page：每一个列块划分为多个页，一个页是最小的编码的单位，在同一个列块的不同页可能使用不同的编码方式。
（4）Header：存储文件的校验码。
（5）Footer：存储文件的Schema等信息。
; Parquet存储与压缩选择
Parquet格式存储与Lzo压缩
stored as parquet
tblproperties ('parquet.compression'='lzo');
Parquet格式存储与Snappy压缩
stored as parquet
tblproperties ('parquet.compression'='snappy');
总结
压缩方式
压缩格式是否分割平均压缩速度文本文件压缩效率Hadoop压缩样式gzip否快高org.apache.hadoop.io.compress.GzipCodeclzo是非常快中等com.hadoop.compression.lzo.LzoCodecbzip2是慢非常高org.apache.hadoop.io.compress.Bzip2Codeczlib否慢中等org.apache.hadoop.io.compress.DefaultCodecSnappy否非常快低org.apache.hadoop.io.compress.SnappyCodec
ORC 与 Parquet 对比
ORCParquet嵌套结构不可直接实现（map间接实现）支持嵌套结构导入数据和数据查询速度快相比ORC慢ACID支持不支持更新操作支持不支持默认压缩ZlibUncompressed压缩格式Node、Zlib、SnappyUncompressed、Snappy、Gzip、Lzo数据压缩最优（相比textFile50倍的磁盘空间）Parquet使用gzip压缩率高，使用lzo、snappy效率高SQL查询较快较快
Original: https://blog.csdn.net/Hello_Java2018/article/details/125309101
Author: 大数据左右手
Title: 文件存储格式：ORC 与 Parquet的较量
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/817863/
转载文章受原作者版权保护。转载请注明原作者出处！