hive数据压缩和sql执行测试

最新推荐文章于 2024-07-02 08:14:38 发布

原创最新推荐文章于 2024-07-02 08:14:38 发布 · 606 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#hive #压缩

Hive 专栏收录该内容

5 篇文章

订阅专栏

本文详细介绍Hive中创建数据库、表的方法，以及如何加载数据。对比不同数据格式（TEXTFILE、SEQUENCEFILE、PARQUET、RCFILE、ORC）和压缩格式（如Snappy）在存储空间和查询效率上的表现，帮助选择最佳的数据存储方案。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.创建库

create database hivetest;

hive默认有一个default库，不指定库名的话，所有的表都在里面
hive> show databases;
default
hivetest

2.建表

建表语句基本和mysql差不多

create table querylog (time string,userid string,keyword string,pagerank int,clickorder int,url string) ;

如果要将文件数据导入到你建的hive表中时，有时候要指定文件中字段的分隔符

以'\t'分隔

create table querylog (time string,userid string,keyword string,pagerank int,clickorder int,url string) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' ;

有时候不止要指定分隔符，还要指定存储的格式

以'\t'分隔，存储为text格式

create table querylogtext (time string,userid string,keyword string,pagerank int,clickorder int,url string)  ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' STORED AS TEXTFILE;

3.加载数据

将数据加载到上面新建的表中

如果是linux本地上的文件，加local，如果是hdfs上的，则不需要local

load data local inpath '/home/hadoop/app/data/sogou.200w.utf8' into table querylog;

4.hive数据格式

TEXTFIEL

默认格式，数据不做压缩，磁盘开销大，数据解析开销大。

create table querylogtext (time string,userid string,keyword string,pagerank int,clickorder int,url string)  ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' STORED AS TEXTFILE;

SEQUENCEFILE

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

create table querylogparquet (time string,userid string,keyword string,pagerank int,clickorder int,url string) STORED AS PARQUET;

RCFILE

RCFILE是一种行列存储相结合的存储方式。首先，其将数据按行分块，保证同一个record在一个块上，避免读一个记录需要读取多个block。其次，块数据列式存储，有利于数据压缩和快速的列存取

实践证明RCFile目前没有性能优势, 只有存储上能省10%的空间

create table querylogrcf (time string,userid string,keyword string,pagerank int,clickorder int,url string) STORED AS RCFILE;

5.各压缩格式对比

原始数据大小219M

TEXTFIEL

建表语句

create table querylogtext (time string,userid string,keyword string,pagerank int,clickorder int,url string) STORED AS TEXTFILE;

查看hdfs上占用空间大小为218.98M

hadoop fs -du /user/hive/warehouse/querylogtext|awk '{ SUM += $1 } END { print SUM/(1024*1024)}'

执行SQL语句耗时：Time taken: 60.275 seconds

select * from ( select url,count(*) as c from querylogtext group by url having c>1 ) a order by c desc limit 100 ;

sequencefile格式

建表语句

create table querylogseq (time string,userid string,keyword string,pagerank int,clickorder int,url string) STORED AS SEQUENCEFILE;

查看hdfs上占用空间大小为244.682M

hadoop fs -du /user/hive/warehouse/querylogseq|awk '{ SUM += $1 } END { print SUM/(1024*1024)}'

执行SQL语句耗时：Time taken: 65.491 seconds

select * from ( select url,count(*) as c from querylogseq group by url having c>1 ) a order by c desc limit 100 ;

parquet格式

建表语句

create table querylogparquet (time string,userid string,keyword string,pagerank int,clickorder int,url string) STORED AS PARQUET;

查看hdfs上占用空间大小为218.18M

hadoop fs -du /user/hive/warehouse/querylogparquet|awk '{ SUM += $1 } END { print SUM/(1024*1024)}'

执行SQL语句耗时：Time taken: 65.785 seconds

select * from ( select url,count(*) as c from querylogparquet group by url having c>1 ) a order by c desc limit 100 ;

parquet格式加snappy格式压缩

建表语句

set parquet.compression=snappy;

create table querylogparquetsnappy (time string,userid string,keyword string,pagerank int,clickorder int,url string) STORED AS PARQUET;

查看hdfs上占用空间大小为131.237M

hadoop fs -du /user/hive/warehouse/querylogparquetsnappy|awk '{ SUM += $1 } END { print SUM/(1024*1024)}'

执行SQL语句耗时：Time taken: 66.315 seconds

select * from ( select url,count(*) as c from querylogparquet group by url having c>1 ) a order by c desc limit 100 ;

可以发现存储空间缩减了一半多，sql耗时也没增加多少。

rcf格式

建表语句

create table querylogrcf (time string,userid string,keyword string,pagerank int,clickorder int,url string) STORED AS RCFILE;

查看hdfs上占用空间大小为211.499M

hadoop fs -du /user/hive/warehouse/querylogrcf|awk '{ SUM += $1 } END { print SUM/(1024*1024)}'

执行SQL语句耗时：Time taken: 60.729 seconds

select * from ( select url,count(*) as c from querylogrcf group by url having c>1 ) a order by c desc limit 100 ;

orc

建表语句

create table querylogorc (time string,userid string,keyword string,pagerank int,clickorder int,url string) STORED AS ORC TBLPROPERTIES ("orc.compress"="SNAPPY");

查看hdfs上占用空间大小为85.6077M

hadoop fs -du /user/hive/warehouse/querylogorc|awk '{ SUM += $1 } END { print SUM/(1024*1024)}'

执行SQL语句耗时：Time taken: 60.295 seconds

select * from ( select url,count(*) as c from querylogorc group by url having c>1 ) a order by c desc limit 100 ;

综上：在本次数据压缩比和本次sql查询效率来说，可能orc+snappy效果好一些，但是orc格式压缩的时间更长，parquet格式加snappy格式数据导入时间是 28.319 seconds，orc+snappy格式数据导入时间是47.014 seconds