本文详细介绍了Hive中的数据压缩技术，包括压缩格式的选择、中间结果与最终输出的压缩设置，以及不同存储格式如TEXTFILE、SEQUENCEFILE、RCFILE、ORC的特性。同时，对比了Gzip、BZip2、Snappy、LZO和ORC等压缩方式的优缺点，以及在Hadoop生态系统中的应用。
数据做压缩和解压缩会增加CPU的开销，但可以最大程度的减少文件所需的磁盘空间和网络I/O的开销，所以最好对那些I/O密集型的作业使用数据压缩，cpu密集型，使用压缩反而会降低性能。
而hive中间结果是map输出传给reduce，所以应该使用低cpu开销和高压缩效率，一般最好使用snappy。
------------------------------------------------------------------------------
hive表的存储格式有（参见http://blog.youkuaiyun.com/longshenlmj/article/details/51702343）
TEXTFILE
SEQUENCEFILE（三种压缩选择：NONE, RECORD, BLOCK。 Record压缩率低，一般建议使用BLOCK压缩）
RCFILE
ORC
自定义格式
hive表存储格式是表自身的存储结构，内部涉及存储数据的结构，查询方法，索引构建等等。支持的数据都是hadoop默认支持的。如txt格式文件，或压缩格式zip、lzo、br2等等。hive外部表只能直接加载这些格式的数据。
源数据在云上（hdfs）压缩存储
Hadoop默认支持Gzip和BZip2的解压缩方式，可直接读取（hadoop fs -text命令），但hive只能用TEXTFILE格式的表加载，然后再insertoverwrite 到其他格式的表（比如SEQUENCEFILE表），如果hive其他格式的表想要直接加载压缩格式数据，需要重写INPUTFORMAT和OUTPUTFORMAT文件类
压缩格式文件的切分(不支持则hadoop不能并行的进行map操作)
BZip2和LZO（提供block级的压缩）支持文件切分
Gzip和Snappy则不支持。
hadoop中支持的压缩格式
DEFLATEorg.apache.hadoop.io.compress.DefaultCodec
gzip org.apache.hadoop.io.compress.GzipCodec
bzip org.apache.hadoop.io.compress.BZip2Codec
Snappy org.apache.hadoop.io.compress.SnappyCodec
LZO:
org.apache.hadoop.io.compress.LzopCodec或者com.hadoop.compression.lzo.LzopCodec;
org.apache.hadoop.io.compress.LzoCodec或者com.hadoop.compression.lzo.LzoCodec;
注意：（引自http://ju.outofmemory.cn/entry/63512）
(1)org.apache.hadoop.io.compress.LzoCodec和com.hadoop.compression.lzo.LzoCodec功能一样，都是源码包中带的，返回都是lzo_deflate文件
(2)有两种压缩编码可用，即LzoCodec和LzopCodec，区别是：
1)LzoCodec比LzopCodec更快， LzopCodec为了兼容LZOP程序添加了如 bytes signature, header等信息
2)LzoCodec作为Reduce输出，结果文件扩展名为”.lzo_deflate”，无法被lzop读取；
而使用LzopCodec作为Reduce输出，生成扩展名为”.lzo”的文件，可被lzop读取
3)LzoCodec结果（.lzo_deflate文件)不能由lzo index job的"DistributedLzoIndexer"创建index；且“.lzo_deflate”文件不能作为MapReduce输入（不识别，除非自编inputformat）。而所有这些“.LZO”文件都支持
综上所述，应该map输出的中间结果使用LzoCodec，reduce输出用 LzopCodec
===============================================================================
hive压缩的编×××（压缩格式）
执行set io.compression.codecs 可以查看目前hive已加载的所以编×××（逗号分隔）
也就是说，参数io.compression.codecs是hadoop的MR读写支持的所有格式支持，如果设置，就必须设置所有支持格式。默认支持，没有必要的话，最好别加。设置多个语法为：
setio.compression.codecs=org.apache.hadoop.io.compress.DefaultCodec,com.hadoop.compression.lzo.LzoCodec,com.hadoop.compression.lzo.LzopCodec,org.apache.hadoop.io.compress.GzipCodec,org.apache.hadoop.io.compress.BZip2Codec;
当然，
set mapred.output.compression.codec=com.hadoop.compression.lzo.LzopCodec;
和
set mapred.output.compression.codec=org.apache.hadoop.io.compress.LzopCodec
两者一样，是LzopCodec的两个不同开源包。用哪个都行。
hive压缩设置
1）中间结果压缩
中间结果是map产生的。格式设置语句
set hive.exec.compress.intermediate=true;
set hive.intermediate.compression.codec=org.apache.Hadoop.io.compress.LzoCodec;
map结果压缩最好使用snappy的，因为压缩的前提是map输出非常大，影响io，如果中间结果数据集比较小反而会拖慢速度
另外，中间结果的压缩格式设置还可以直接设置map输出结果压缩实现，如
set mapred.map.output.compression.codec=org.apache.Hadoop.io.compress.SnappyCodec
来代替set hive.intermediate.compression.codec这个语句实现
2）最终输出结果压缩
配置参数为hive.exec.compress.output
选择编×××（压缩格式）参数mapred.output.compression.code（
命令格式
set hive.exec.compress.output=true;
set mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec;
（也可以用org.apache.hadoop.io.compress.SnappyCodec）
或者
set mapred.output.compress=true
setmapred.output.compression.codec=org.apache.hadoop.io.compress.LzopCodec
两种方式功能一样，之所以两个方式，是因为作用不同的参数文件
hive.exec.compress.output和mapred.output.compression.codec是hive-site.xml中的配置参数
而mapred.output.compress 和mapred.output.compression.codec 是hdfs-site.xml的配置参数
都可以配置实现。可以查看各个文件中的配置参数，如
hive-site.xml中有
<!--
<property>
<name>hive.exec.compress.output</name>
<value>true</value>
</property>
<property>
<name>mapred.output.compression.codec</name>
<value>org.apache.hadoop.io.compress.GzipCodec</value>
</property>
-->
mapred-site.xml中有
<property>
<name>mapred.compress.map.output</name>
<value>true</value>
</property>
<property>
<name>mapred.map.output.compression.codec</name>
<value>com.hadoop.compression.lzo.LzoCodec</value>
</property>
core-site.xml中有
<property>
<name>io.compression.codecs</name>
<value>org.apache.hadoop.io.compress.DefaultCodec,org.apache.hadoop.io.compress.GzipCodec,org.apache.hadoop.io.compress.BZip2Codec,com.hadoop.compression.lzo.LzoCodec,com.hadoop.compression.lzo.LzopCodec</value>
</property>
<property>
<name>io.compression.codec.lzo.class</name>
<value>com.hadoop.compression.lzo.LzopCodec</value>
</property>
hadoop-site.xml中有
<property>
<name>io.compression.codecs</name>
<value>org.apache.hadoop.io.compress.DefaultCodec,org.apache.hadoop.io.compress.GzipCodec,org.apache.hadoop.io.compress.BZip2Codec,org.apache.hadoop.io.compress.LzoCodec</value>
<description>A listof the compression codec classes that can be used
for compression/decompression.</description>
</property>
<property>
<name>mapred.output.compress</name>
<value>true</value>
<description>Shouldthe job outputs be compressed?
</description>
</property>
<property>
<name>mapred.output.compression.codec</name>
<value>org.apache.hadoop.io.compress.LzoCodec</value>
<description>If thejob outputs are compressed, how should they be compressed?
</description>
</property>
设置的另外方式：
hive –hiveconfhive.exec.compress.output=true –hiveconfmapred.output.compression.codec=com.hadoop.compression.lzo.LzopCodec
重要的辅助工作，添加索引
添加index是为让.lzo文件子在hdfs上按照block大小来切分块（速度加快，但多消耗cpu时间。map数大量增加）
如果不建立lzo索引则不会按照block来切分块
为每个lzo块添加index的命令：
hadoop jar $HADOOP_HOME/lib/hadoop-lzo-0.4.15.jarcom.hadoop.compression.lzo.DistributedLzoIndexer path/xxx.lzo
注意（只设置mapred.output.compress=true默认的reduce输出格式为.lzo_deflate）
Hadoop上三种压缩格式的存储方案对比（LZO，gz，orc,）
Lzo的使用
drop table tmp_tb_test_lzo;
CREATE EXTERNAL TABLE tmp_tb_test_lzo( allstring)
stored as
INPUTFORMAT'com.hadoop.mapred.DeprecatedLzoTextInputFormat'
OUTPUTFORMAT'org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat'
location '/user/pmp_bi/test/testlog/'
---------------------------------------------
select
split(split(all,'\\|~\\|')[5],'/')[1]as media,
split(all,'\\|~\\|')[21] as device,
split(all,'\\|~\\|')[22] as network,
split(all,'\\|~\\|')[25] as id_code,
split(all,'\\|~\\|')[26] ascode_method,
split(all,'\\|~\\|')[30] as os,
split(all,'\\|~\\|')[34] as channel,
split(all,'\\|~\\|')[42] as adtype,
split(all,'\\|~\\|')[43] as rtbtype,
count(1) as cnt
from tmp_tb_test_lzo
group bysplit(split(all,'\\|~\\|')[5],'/')[1],split(all,'\\|~\\|')[21],split(all,'\\|~\\|')[22],split(all,'\\|~\\|')[25],split(all,'\\|~\\|')[26],split(all,'\\|~\\|')[30],split(all,'\\|~\\|')[34],split(all,'\\|~\\|')[42],split(all,'\\|~\\|')[43]
lzo加索引
hadoop jar/usr/local/hadoop-0.20.2/lib/hadoop-lzo-0.4.15.jarcom.hadoop.compression.lzo.LzoIndexer/user/pmp_bi/test/testlog/access_bid_20160414_22.log.lzo
ORC的使用
相关参数设定 ORC File Format:
https://cwiki.apache.org/confluence/display/Hive/Configuration+Properties#ConfigurationProperties-ORCFileFormat
drop table test_tb_log_orc;
create table test_tb_log_orc ( all string )
stored as ORC;
默认为tblproperties("orc.compress"="ZLIB");
show create table test_tb_log_orc;
CREATE TABLE `test_tb_log_orc`(
`all` string)
ROW FORMAT SERDE
'org.apache.hadoop.hive.ql.io.orc.OrcSerde'
STORED AS INPUTFORMAT
'org.apache.hadoop.hive.ql.io.orc.OrcInputFormat'
OUTPUTFORMAT
'org.apache.hadoop.hive.ql.io.orc.OrcOutputFormat'
LOCATION
'hdfs://namenode/hivedata/warehouse/pmp.db/test_tb_log_orc'
TBLPROPERTIES (
'orc.compress'='ZLIB',
'transient_lastDdlTime'='1465283611')
-------------------------
desc formatted test_tb_log_orc;
# col_name data_type comment
all string
# Detailed Table Information
Database: pmp
Owner: pmp_bi
CreateTime: Tue Jun 07 13:48:19 CST 2016
LastAccessTime: UNKNOWN
Protect Mode: None
Retention: 0
Location: hdfs://namenode/hivedata/warehouse/pmp.db/test_tb_log_orc
Table Type: MANAGED_TABLE
Table Parameters:
transient_lastDdlTime 1465278499
# Storage Information
SerDe Library: org.apache.hadoop.hive.ql.io.orc.OrcSerde
InputFormat: org.apache.hadoop.hive.ql.io.orc.OrcInputFormat
OutputFormat: org.apache.hadoop.hive.ql.io.orc.OrcOutputFormat
Compressed: No
Num Buckets: -1
Bucket Columns: []
Sort Columns: []
Storage Desc Params:
serialization.format 1
-------------------------
====================================================================
gz压缩文件hadoop处理
1) external tablefor gz
drop tabletmp_tb_test_gz;
CREATE EXTERNALTABLE tmp_tb_test_gz( all string )
location'/user/pmp_bi/test/testlog2/'
insert overwritetable test_tb_log_orc
select *
from tmp_tb_test_gz
time taken: 34分钟
hadoop fs -ls/user/pmp_bi/test/testlog2
gz:4450965423
hadoop fs -ls/hivedata/warehouse/pmp.db/test_tb_log_orc
orc:4801158504
-------------------------------------------------------
2) load gz fromlocal(耗时同put到云上建外部表)
hive直接load
drop tabletmp_tb_test_gz;
CREATE TABLEtmp_tb_test_gz( all string );
LOAD DATALOCAL INPATH '/home/pmp_bi/test/report_test/testlog2/rtb1_bid_20160606_15.log.gz'OVERWRITE INTO TABLE tmp_tb_test_gz;
timetaken:401 秒
insertoverwrite table test_tb_log_orc
select *
fromtmp_tb_test_gz
本地load是简单的将gz文件put到内部表路径下/hivedata/warehouse/pmp.db/tmp_tb_test_gz/rtb1_bid_20160606_15.log.gz
同hadoop直接put耗时一样
==================================================
gz本地解压后put
1)hadoop fs -get/user/pmp_bi/test/testlog2/rtb1_bid_20160606_15.log.gz ./
time taken：1分钟 15:53:39 to 15:54:45
size:4G
2)解压
date
gzip -drtb1_bid_20160606_15.log.gz
date
time taken: 5分钟（15:45:40to 15:50:51）
size：27117660098
3)
hadoop fs -mkdir/user/pmp_bi/test/testlog3
hadoop fs -ls/user/pmp_bi/test/testlog3
4)
date
hadoop fs -put./rtb1_bid_20160606_15.log /user/pmp_bi/test/testlog3/
date
time taken: 34分钟（16:34:11to 17:08:23)
5)
drop tabletmp_tb_test_log_unzip;
CREATE EXTERNALTABLE tmp_tb_test_log_unzip( all string )
location'/user/pmp_bi/test/testlog3/'
insert overwritetable test_tb_log_orc
select *
fromtmp_tb_test_log_unzip
Time taken:69.458 seconds
------------------------------------------------------------------
---------------------
作者：willard
来源：优快云
原文：https://blog.youkuaiyun.com/longshenlmj/article/details/50550580
版权声明：本文为博主原创文章，转载请附上博文链接！
转载于:https://blog.51cto.com/yntmdr/2313560
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
