hive的数据文件存储格式

hive的数据文件存储格式

类型

• texfile：默认的存储格式：普通的文本文件，数据不压缩，磁盘的开销比较大，分析开销大。
• sequencefile：提供的一种二进制存储格式，可以切割，天生压缩。
• rcfile：提供的是一种行列混合存储方式，该方式会把相近的行和列数据放在一块儿，存储比较耗时，查询效率高，也天生压缩。
• orc：是rcfile的一种优化存储。
• parquet：自定义输入输出格式。

具体描述

1、texfile普通文本文件（通常默认的就是这个格式）

• 创建表

  create table if not exists one (
  	id int,
  	name string
  )
  row format delimited fileds terminated by'\t'
  storted as textfile
  ;
  

• 加载数据
  load data local inpath ‘localpath’ into table one;

2、sequencefile二进制放式:hive提供的二进制序列文件存储，天生压缩。默认支持压缩、分割，使用便捷、写和查询较快。sequencefile和压缩属性可以搭配使用

• 注意：sequeceFile不允许使用load方式加载数据。需要使用insert 方式插入。

• 创建数据

  create table if not exists tow(
  id int,
  name string
  )
  row format delimited fields terminated by '\t'
  lines terminated by '\n'
  stored as sequencefile
  ;
  

• 加载数据正确方式

  insert into table tow select * from one;
  

• 说明：存储的文件不能直接用cat命令去查看文件。

3、rcfile行列混合存储方式：rcfile可以进行行列混合压缩，将附近的列和行的数据尽量保存到相同的块里面，该存储格式会提高查询效率，但是写数据较慢。该方式和gzcodeC压缩属性结合不是很好,(orf与这个效果一样只是，他的效率比rcfile高很多)

• 可以配合使用的压缩算法

  set mapred.output.compression=true;
  set mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec;
  

• 注意： rcfile不允许使用load方式加载数据。需要使用insert 方式插入。

• 创建数据

  create table if not exists three(
  id int,
  name string
  )
  row format delimited fields terminated by '\t'
  lines terminated by '\n'
  stored as rcfile
  ;
  

• 加载数据正确方式

  insert into table three select * from one;
  

4、parquet存储自定义：

• 创建数据

  ##hello,hive
  ##hello,world
  ##hello,hadoop
  

• 自定义创建表

  create table if not exists four(
  	str string
  )  
  stored as  
  inputformat 'org.apache.hadoop.hive.contrib.fileformat.base64.Base64TextInputFormat'  
  outputformat 'org.apache.hadoop.hive.contrib.fileformat.base64.Base64TextOutputFormat'
  ;
  

• 加载数据

  load data local inpath 'localpath' into table four;
  

• 注意：通常是使用 defaultCodec + rcfile搭配效率最好。