Hive的存储格式对比 |
您所在的位置：网站首页 › hive查看所有表存储空间 › Hive的存储格式对比 |
Hive的存储格式对比
|
Hive的存储格式对比
发布时间：2020-09-03 18:20:55
来源：网络
阅读：2832
作者：bigdata_lzw
栏目：大数据
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； 免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：[email protected]进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。 hive 文件格式 上一篇新闻：详细解读Hibernate的缓存机制 下一篇新闻：对numpy中布尔型数组的处理方法详解
10000元红包免费领
红包可用于（云服务器、高防服务器、裸金属服务器、高防IP、云数据库、CDN加速）购买和续费 猜你喜欢 Hbase原理架构与安装部署教程 11、Hive安装详细教程 如何选择动态ip软件 “一键”搞定用户同步，LDAP在永洪BI中的应用 Hbase数据存储原理与读写详解 Zookeeper【从五个方面，渐进】 Linux下安装kafka Redis远程字典服务Key-Value存储系统【缓存】 Nginx反向代理【4个问题，全面理解反向代理负载均衡】 oData（开放数据协议）【可以不应用，但不能不了解】 |
【本文地址】
今日新闻 |
推荐新闻 |