【Hive】hive表的文件存储格式

在Hive中，文件的存储格式主要有：TEXTFILE、SEQUENCEFILE、ORC、PARQUET。
其中，TEXTFILE、SEQUENCEFILE是基于行存储，ORC、PARQUET基于列存储。

1. 行存储和列存储

上图中左边为逻辑表，右上为行存储，右下为列存储。
当查询结果为一整行的时候，行存储效率会高一些；当查询表中某几列时，列存储的效率会更高。
在对数据的压缩方面，列存储比行存储更有优势，所以列存储占用空间相对小一些。

2. TEXTFILE

TEXTFILE是Hive的默认存储格式，数据不做压缩，磁盘开销大。实际生产中很少用TEXTFILE存储。

3. ORC

ORC(Optimized Row Columnar)从Hive0.11.0开始出现，提高了Hive在写入、读取、计算数据时的性能。ORC文件默认使用ZLIB压缩。
ORC文件由stripe、file footer、postscript三部分组成：

3.1 Stripe

一个ORC文件，可以包含多个Stripe，Stripe默认大小250M。
Stripe由Index Data、Row Data、Stripe Footer三部分组成。
(1)Index Data
轻量级索引，默认每隔1w行做一个索引，目的是记录某行的各个字段在Row Data中的偏移量。
(2)Row Data
真正存储数据的部分，对每个列进行编码存储。
(3)Stripe Footer
存储stripe的元数据信息。

3.2 File Footer

每个ORC文件中存有一个file footer，里面记录了各个stripe存储的行数，每个列的数据类型等信息。

3.3 Postscript

Postscript在ORC文件的尾部，记录了整个文件的压缩类型、File Footer的长度信息等。ORC文件是从后往前读的，先读取Postscript，获取File Footer的信息，再从File Footer里读取Stripe的信息，最后定位到需要读取的数据。

Hive中可以采用如下三种方式使数据存储到ORC文件中:

(1) CREATE TABLE ... STORED AS ORC
(2) ALTER TABLE ... [PARTITION partition_spec] SET FILEFORMAT ORC
(3) SET hive.default.fileformat=Orc

Hive 0.14.0版本后还可以使用CONCATENATE命令合并ORC文件：

ALTER TABLE table_name [PARTITION partition_spec] CONCATENATE

4. PARQUET

Parquet是面向分析型系统的列式存储格式，由Twitter和Cloudera合作开发，2015年5月成为Apache的顶级项目。
Parquet文件是以二进制格式存储的，所以不能直接读取。
通常情况下，Parquet文件在存储时会按照Block大小设置行组(Row Group)的大小，这样Parquet文件就可以被多个mapper处理，增加了任务的并行度。
Parquet文件格式如下图所示：

一个Parquet文件中可以存储多个行组，文件的首位都是该文件的Magic Number，用于校验它是否是一个Parquet文件。
Footer length记录了文件元数据的大小，通过该值和文件长度可以计算出元数据的偏移量，文件的元数据中包括每一个行组的元数据信息和该文件存储数据的Schema信息。
除了文件中每一个行组的元数据，每一页的开始都会存储该页的元数据，在Parquet中，有三种类型的页：数据页、字典页和索引页。
数据页：用于存储当前行组中该列的值；
字典页：存储该列值的编码字典，每一个列块中最多包含一个字典页；
索引页：用来存储当前行组下该列的索引，目前Parquet中还不支持索引页。
由于Parquet在Hive 0.10 - 0.12中以插件形式存在，Hive 0.13及以后版本才得以集成，所以建表语句有所不同。
Hive 0.10 - 0.12：

CREATE TABLE parquet_test (
 id int,
 str string,
 mp MAP<STRING,STRING>,
 lst ARRAY<STRING>,
 strct STRUCT<A:STRING,B:STRING>) 
PARTITIONED BY (part string)
ROW FORMAT SERDE 'parquet.hive.serde.ParquetHiveSerDe'
 STORED AS
 INPUTFORMAT 'parquet.hive.DeprecatedParquetInputFormat'
 OUTPUTFORMAT 'parquet.hive.DeprecatedParquetOutputFormat';

Hive 0.13+：

CREATE TABLE parquet_test (
 id int,
 str string,
 mp MAP<STRING,STRING>,
 lst ARRAY<STRING>,
 strct STRUCT<A:STRING,B:STRING>) 
PARTITIONED BY (part string)
STORED AS PARQUET;

总结

Hive支持的文件格式主要有：行存储(TEXTFILE、SEQUENCEFILE) 和列存储(ORC、PARQUET);
在实际生产环境，使用ORC和PARQUET的情况比较多；