目录

Hadoop文件存储格式

1. TextFile

默认格式,存储方式为行存储,数据不做压缩,磁盘开销大,数据解析开销大。可结合 Gzip、Bzip2 使用(系统自动检查,执行查询时自动解压),但使用 这种方式,压缩后的文件不支持 split,Hive 不会对数据进行切分,从而无法对数据进行并行操作。并且在反序列化过程中,必须逐个字符判断是不是分隔符和行结束符,因此反序列化开销会比 SequenceFile 高几十倍

2. SequenceFile

SequenceFile 是 Hadoop API 提供的一种二进制文件支持,存储方式为行存储,其具有使用方便、可分割、可压缩的特点。

SequenceFile 支持三种压缩选择:NONE,RECORD,BLOCK。Record 压缩率低,一般建议使用 BLOCK 压缩。

优势是文件和 hadoop api 中的 MapFile 是相互兼容的 。

3、RCFile

存储方式:数据按行分块,每块按列存储。结合了行存储和列存储的优点:

首先,RCFile 保证同一行的数据位于同一节点,因此元组重构的开销很低 ;

其次,像列存储一样,RCFile 能够利用列维度的数据压缩,并且能跳过不必要的列读取;

4、ORCFile(下文详细阐述)

存储方式:数据按行分块 每块按照列存储。

压缩快、快速列存取。

效率比 RCfile 高,是 RCfile 的改良版本。

5、Parquet

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。

Apache Parquet 最初的设计动机是存储嵌套式数据,比如Protocolbuffer thrift json 等 将这类数据存储成列式格式以方便对其高效压缩和编码,且使用更少的IO操作取出需要的数据

总结:

相比 TEXTFILE 和 SEQUENCEFILE,RCFILE 由于列式存储方式,数据加载时性能消耗较大,但是具有较好的压缩比和查询响应。

数据仓库的特点是一次写入、多次读取,因此,整体来看,RCFILE 相比其余两种格式具有较明显的优势。

本文是转载文章,点击查看原文
如有侵权,请联系 xyy@jishuzhan.net 删除
相关推荐
b***25112 小时前
电池分选机:新能源时代的品质守护者|深圳比斯特自动化
大数据·人工智能·自动化
IT科技观察2 小时前
金融壹账通推出大模型一体机,加速金融行业AI落地与应用
大数据·人工智能·金融·云计算
狮歌~资深攻城狮4 小时前
ClickHouse进阶技巧:解锁数据处理的高级潜能
大数据·数据库
业财猫CRM6 小时前
“乐企“平台如何重构业财税票全流程生态?
大数据·重构·业界资讯
钡铼技术物联网关6 小时前
下一代楼宇自控的中枢神经:ARM终端的生态
大数据·linux·人工智能
青云交7 小时前
Java 大视界 -- Java 大数据在智慧水利水资源调度与水情预测中的应用创新(180)
大数据·数据分析·智慧水利·数据管理·实时处理·水资源调度·水情预测
不剪发的Tony老师8 小时前
rqlite:一个基于SQLite构建的分布式数据库
数据库·分布式·sqlite
睎zyl8 小时前
Hadoop的序列化
大数据·hadoop·分布式
·薯条大王8 小时前
MySQL视图
大数据·数据库·mysql
IT成长日记9 小时前
【Hadoop入门】Hadoop生态之ZooKeeper简介
大数据·hadoop·zookeeper