Hadoop压缩技术与Hive文件格式详解

压缩格式	对应的编码/解码器
DEFLATE	org.apache.hadoop.io.compress.DefaultCodec
gzip	org.apache.hadoop.io.compress.GzipCodec
bzip2	org.apache.hadoop.io.compress.BZip2Codec
LZO	com.hadoop.compression.lzo.LzopCodec
Snappy	org.apache.hadoop.io.compress.SnappyCodec

压缩性能比较：

压缩算法	原始文件大小	压缩文件大小	压缩速度	解压速度
gzip	8.3GB	1.8GB	17.5MB/s	58MB/s
bzip2	8.3GB	1.1GB	2.4MB/s	9.5MB/s
LZO	8.3GB	2.9GB	49.3MB/s	74.6MB/s

Snappy压缩性能：

在Core i7处理器单核64位模式下，Snappy压缩速度约为250 MB/s，解压缩速度约为500 MB/s或更高。

参考链接: $[snappy \| A fast compressor/decompressorA fast compressor/decompressor![icon-default.png?t=O83A](https://csdnimg.cn/release/blog_editor_html/release2.3.7/ckeditor/plugins/CsdnLink/icons/icon-default.png)http://google.github.io/snappy/](http://google.github.io/snappy/ "snappy | A fast compressor/decompressor")$

Hive文件格式

为Hive表中的数据选择一个合适的文件格式，对提高查询性能至关重要。Hive表数据的存储格式包括text file、orc、parquet、sequence file等。

Text File

文本文件是Hive默认使用的文件格式。

创建文本文件格式的表语句如下：

sql 复制代码

CREATE TABLE textfile_table
(
  column_specs
)
STORED AS TEXTFILE;

ORC

1）文件格式

ORC（Optimized Row Columnar）是一种列式存储的文件格式，能够提高Hive读写数据和处理数据的性能。

与列式存储相对的是行式存储，下图是两者的对比：

如图所示左边为逻辑表，右边第一个为行式存储，第二个为列式存储。

2）结构

每个Orc文件由Header、Body和Tail三部分组成。每个stripe由Index Data、Row Data和Stripe Footer组成。Tail由File Footer和PostScript组成。

3）建表语句

sql 复制代码

CREATE TABLE orc_table
(
  column_specs
)
STORED AS ORC
TBLPROPERTIES (property_name=property_value, ...);

ORC文件格式支持的参数如下：

参数	默认值	说明
orc.compress	ZLIB	压缩格式
orc.compress.size	262,144	每个压缩块的大小
orc.stripe.size	67,108,864	每个stripe的大小
orc.row.index.stride	10,000	索引步长

Parquet

Parquet是一个通用的列式存储文件格式。

1）文件格式

Parquet文件的基本结构由若干个Row Group和一个Footer（File Meta Data）组成。

2）结构

每个Row Group包含多个Column Chunk，每个Column Chunk包含多个Page。

3）建表语句

sql 复制代码

CREATE TABLE parquet_table
(
  column_specs
)
STORED AS PARQUET
TBLPROPERTIES (property_name=property_value, ...);

Parquet文件格式支持的参数如下：

参数	默认值	说明
parquet.compression	uncompressed	压缩格式
parquet.block.size	134217728	行组大小
parquet.page.size	1048576	页大小

压缩

Hive表数据进行压缩

1）TextFile

对于TextFile类型的表，可以通过设置以下参数确保输出结果被压缩：

sql 复制代码

SET hive.exec.compress.output=true;
SET mapreduce.output.fileoutputformat.compress.codec=org.apache.hadoop.io.compress.SnappyCodec;

2）ORC

sql 复制代码

CREATE TABLE orc_table
(
  column_specs
)
STORED AS ORC
TBLPROPERTIES ("orc.compress"="snappy");

3）Parquet

sql 复制代码

CREATE TABLE parquet_table
(
  column_specs
)
STORED AS PARQUET
TBLPROPERTIES ("parquet.compression"="snappy");

计算过程中使用压缩

1）单个MR的中间结果进行压缩

sql 复制代码

SET mapreduce.map.output.compress=true;
SET mapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.SnappyCodec;

2）单条SQL语句的中间结果进行压缩

sql 复制代码

SET hive.exec.compress.intermediate=true;
SET hive.intermediate.compression.codec=org.apache.hadoop.io.compress.SnappyCodec;