Hive (Hadoop)之数据压缩和存储知识总结

Hive 之数据压缩和存储知识总结

1. 背景

1. 软件程序=数据+算法（逻辑代码），而数据是需要进行存储、传输的。
2. 针对软件的要求越来越高，不管是性能、数据规模等，技术也在不断进步。但在面临海量数据存储和传输时，总是需要考虑如何在有限容积下存放更多数据。同时传输数据的带宽是一定的，如何在有限带宽下传输更多数据
3. 不管是在硬件层还是软件层，数据的存储都是需要进行编码解码的，也就是数据本质以2进制形式存储和传输，但读取和写入时，需要遵循一定格式。这种格式可以理解为数据编码
4. 如果对编码进一步扩展，例如对数据中进行特征总结，例如针对空间分析，一段数据中，会有重复性数据，这时候压缩数据就可以只保留一份这样的数据。如果从时间上进行数据特征总结，不同时间节点上的数据也有相同数据，这时候也可以只保留一份。以上就是针对数据的空间和时间进行数据压缩
5. 如果再进一步对数据压缩进行考虑，可以使用更复杂的算法，例如校验码应用，一段数据可以使用一段校验码代替，经过一系列的算法，将校验码对应的数据还原出来。但这样本身会消耗CPU资源，因为需要计算

注意，不管是什么情况下，程序的性能使用指标来衡量时，主要区分2个大指标，时间复杂度和空间复杂度。而数据存储和压缩就是时间换空间，就是将数据压缩和解压缩需要消耗CPU运算时间，但是存储空间可以降低。相反的，使用多层硬件对数据缓存，就是空间换时间，例如CPU高速缓存，内存，固态硬盘，磁盘

2. hadoop源码编译来支持snappy压缩方式

2.1. snappy数据压缩支持

1. CentOS联网
   配置CentOS能连接外网。Linux虚拟机ping www.baidu.com 是畅通的
   注意：采用root角色编译，减少文件夹权限出现问题

2．jar包准备(hadoop源码、JDK8 、maven、protobuf)

注意这是资料上以hadoop2.7.2为案例进行遍历，实际hadoop2020年最新版本已经是3.2.1以上了
（1）hadoop-2.7.2-src.tar.gz
（2）jdk-8u144-linux-x64.tar.gz
（3）snappy-1.1.3.tar.gz
（4）apache-maven-3.0.5-bin.tar.gz
（5）protobuf-2.5.0.tar.gz

3. jar包安装(所有操作必须在root用户下完成)

• JDK解压、配置环境变量JAVA_HOME和PATH，验证java -version(如下都需要验证是否配置成功)

[root@doit01 software] # tar -zxf jdk-8u144-linux-x64.tar.gz -C /opt/module/
[root@doit01 software]# vi /etc/profile
#JAVA_HOME
export JAVA_HOME=/opt/module/jdk1.8.0_144
export PATH=$PATH:$JAVA_HOME/bin
[root@doit01 software]#source /etc/profile

• Maven解压、配置 MAVEN_HOME和PATH

[root@doit01 software]# tar -zxvf apache-maven-3.0.5-bin.tar.gz -C /opt/module/
[root@doit01 apache-maven-3.0.5]# vi /etc/profile
#MAVEN_HOME
export MAVEN_HOME=/opt/module/apache-maven-3.0.5
export PATH=$PATH:$MAVEN_HOME/bin
[root@doit01 software]#source /etc/profile

4. 编译源码

• 准备编译环境

[root@doit01 software]# yum install svn
[root@doit01 software]# yum install autoconf automake libtool cmake
[root@doit01 software]# yum install ncurses-devel
[root@doit01 software]# yum install openssl-devel
[root@doit01 software]# yum install gcc*

• 编译安装snappy

[root@doit01 software]# tar -zxvf snappy-1.1.3.tar.gz -C /opt/module/
[root@doit01 module]# cd snappy-1.1.3/
[root@doit01 snappy-1.1.3]# ./configure
[root@doit01 snappy-1.1.3]# make
[root@doit01 snappy-1.1.3]# make install
# 查看snappy库文件
[root@doit01 snappy-1.1.3]# ls -lh /usr/local/lib |grep snappy

• 编译安装protobuf

[root@doit01 software]# tar -zxvf protobuf-2.5.0.tar.gz -C /opt/module/
[root@doit01 module]# cd protobuf-2.5.0/
[root@doit01 protobuf-2.5.0]# ./configure 
[root@doit01 protobuf-2.5.0]#  make 
[root@doit01 protobuf-2.5.0]#  make install
# 查看protobuf版本以测试是否安装成功
[root@doit01 protobuf-2.5.0]# protoc --version

• 编译hadoop native

[root@doit01 software]# tar -zxvf hadoop-2.7.2-src.tar.gz
[root@doit01 software]# cd hadoop-2.7.2-src/
[root@doit01 software]# mvn clean package -DskipTests -Pdist,native -Dtar -Dsnappy.lib=/usr/local/lib -Dbundle.snappy

执行成功后，/opt/software/hadoop-2.7.2-src/hadoop-dist/target/hadoop-2.7.2.tar.gz即为新生成的支持snappy压缩的二进制安装包

3. hadoop压缩参数配置

3.1 mapreduce支持的压缩编码

为了支持多种压缩/解压缩算法，Hadoop引入了编码/解码器，如下

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

压缩性能的比较

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

(On a single core of a Core i7 processor in 64-bit mode, Snappy compresses at about 250 MB/sec or more and decompresses at about 500 MB/sec or more.)

http://google.github.io/snappy/

3.2 压缩参数配置

要在Hadoop中启用压缩，可以配置如下参数（mapred-site.xml文件中）

参数	默认值	阶段	建议
io.compression.codecs （在core-site.xml中配置）	org.apache.hadoop.io.compress.DefaultCodec,org.apache.hadoop.io.compress.GzipCodec, org.apache.hadoop.io.compress.BZip2Codec,org.apache.hadoop.io.compress.Lz4Codec	输入压缩	Hadoop使用文件扩展名判断是否支持某种编解码器
mapreduce.map.output.compress	false	mapper输出	这个参数设为true启用压缩
mapreduce.map.output.compress.codec	org.apache.hadoop.io.compress.DefaultCodec	mapper输出	使用LZO、LZ4或snappy编解码器在此阶段压缩数据
mapreduce.output.fileoutputformat.compress	false	reducer输出	这个参数设为true启用压缩
mapreduce.output.fileoutputformat.compress.codec	org.apache.hadoop.io.compress. DefaultCodec	reducer输出	使用标准工具或者编解码器，如gzip和bzip2
mapreduce.output.fileoutputformat.compress.type	RECORD	reducer输出	SequenceFile输出使用的压缩类型：NONE和BLOCK

4. 开启map输出阶段压缩

开启map输出阶段压缩可以减少job中map和Reduce task间数据传输量。具体配置如下

1．开启hive中间传输数据压缩功能
hive (default)>set hive.exec.compress.intermediate=true;
2．开启mapreduce中map输出压缩功能
hive (default)>set mapreduce.map.output.compress=true;
3．设置mapreduce中map输出数据的压缩方式
hive (default)>set mapreduce.map.output.compress.codec=
org.apache.hadoop.io.compress.SnappyCodec;
4．执行查询语句
hive (default)> select count(ename) name from emp;

5. 开启reduce输出阶段压缩

当Hive将输出写入到表中时，输出内容同样可以进行压缩。属性hive.exec.compress.output控制着这个功能。用户可能需要保持默认设置文件中的默认值false，这样默认的输出就是非压缩的纯文本文件了。用户可以通过在查询语句或执行脚本中设置这个值为true，来开启输出结果压缩功能。

1．开启hive最终输出数据压缩功能
hive (default)>set hive.exec.compress.output=true;
2．开启mapreduce最终输出数据压缩
hive (default)>set mapreduce.output.fileoutputformat.compress=true;
3．设置mapreduce最终数据输出压缩方式
hive (default)> set mapreduce.output.fileoutputformat.compress.codec =
org.apache.hadoop.io.compress.SnappyCodec;
4．设置mapreduce最终数据输出压缩为块压缩
hive (default)> set mapreduce.output.fileoutputformat.compress.type=BLOCK;
5．测试一下输出结果是否是压缩文件
hive (default)> insert overwrite local directory
‘/data’ select * from shop;

6. 文件存储格式（压缩和非压缩）

Hive支持的存储数的格式主要有：TEXTFILE 、SEQUENCEFILE、ORC、PARQUET。

6.1 列式存储和行式存储

左边为逻辑表，右边第一个为行式存储，第二个为列式存储

1．行存储的特点
查询满足条件的一整行数据的时候，列存储则需要去每个聚集的字段找到对应的每个列的值，行存储只需要找到其中一个值，其余的值都在相邻地方，所以此时行存储查询的速度更快。
2．列存储的特点
因为每个字段的数据聚集存储，在查询只需要少数几个字段的时候，能大大减少读取的数据量；每个字段的数据类型一定是相同的，列式存储可以针对性的设计更好的设计压缩算法。

TEXTFILE和SEQUENCEFILE的存储格式都是基于行存储的；
ORC和PARQUET是基于列式存储的。

6.2 TextFile格式

默认格式，数据不做压缩，磁盘开销大，数据解析开销大。可结合Gzip、Bzip2使用，但使用Gzip这种方式，hive不会对数据进行切分，从而无法对数据进行并行操作。

6.3 Orc格式

Orc (Optimized Row Columnar)是Hive 0.11版里引入的新的存储格式。
看到每个Orc文件由1个或多个stripe组成，每个stripe250MB大小，这个Stripe实际相当于RowGroup概念，不过大小由4MB->250MB，这样应该能提升顺序读的吞吐率。每个Stripe里有三部分组成，分别是Index Data，Row Data，Stripe Footer：

1）Index Data：一个轻量级的index，默认是每隔1W行做一个索引。这里做的索引应该只是记录某行的各字段在Row Data中的offset。
2）Row Data：存的是具体的数据，先取部分行，然后对这些行按列进行存储。对每个列进行了编码，分成多个Stream来存储。
3）Stripe Footer：存的是各个Stream的类型，长度等信息。
每个文件有一个File Footer，这里面存的是每个Stripe的行数，每个Column的数据类型信息等；每个文件的尾部是一个PostScript，这里面记录了整个文件的压缩类型以及FileFooter的长度信息等。在读取文件时，会seek到文件尾部读PostScript，从里面解析到File Footer长度，再读FileFooter，从里面解析到各个Stripe信息，再读各个Stripe，即从后往前读。

6.4Parquet格式

Parquet是面向分析型业务的列式存储格式，由Twitter和Cloudera合作开发，2015年5月从Apache的孵化器里毕业成为Apache顶级项目。
Parquet文件是以二进制方式存储的，所以是不可以直接读取的，文件中包括该文件的数据和元数据，因此Parquet格式文件是自解析的。
通常情况下，在存储Parquet数据的时候会按照Block大小设置行组的大小，由于一般情况下每一个Mapper任务处理数据的最小单位是一个Block，这样可以把每一个行组由一个Mapper任务处理，增大任务执行并行度

上图展示了一个Parquet文件的内容，一个文件中可以存储多个行组，文件的首位都是该文件的Magic Code，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。

6.5 数据存储格式对比

1. textfile

create table log_text (
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by '\t'
stored as textfile ;

load data local inpath '/data/log.data' into table log_text ;

 dfs -du -h /user/hive/warehouse/log_text;

2. orc

create table log_orc(
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by '\t'
stored as orc ;


insert into table log_orc select * from log_text ;


 dfs -du -h /user/hive/warehouse/log_orc/ ;

3. parquet

create table log_parquet(
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by '\t'
stored as parquet ;	

insert into table log_parquet select * from log_text ;

 dfs -du -h /user/hive/warehouse/log_parquet/ ;

7.存储和压缩结合

7.1 修改Hadoop集群具有Snappy压缩方式

1. 查看hadoop checknative命令使用

hadoop checknative [-a|-h]  check native hadoop and compression libraries availability

2. 查看hadoop支持的压缩方式

hadoop checknative
17/12/24 20:32:52 WARN bzip2.Bzip2Factory: Failed to load/initialize native-bzip2 library system-native, will use pure-Java version
17/12/24 20:32:52 INFO zlib.ZlibFactory: Successfully loaded & initialized native-zlib library
Native library checking:
hadoop:  true /opt/module/hadoop-2.7.2/lib/native/libhadoop.so
zlib:    true /lib64/libz.so.1
snappy:  false 
lz4:     true revision:99
bzip2:   false

3. 将编译好的支持Snappy压缩的hadoop-2.7.2.tar.gz包导入到hadoop102的/opt/software中
4. 解压hadoop-2.7.2.tar.gz到当前路径

tar -zxvf hadoop-2.7.2.tar.gz

5. 进入到/opt/software/hadoop-2.7.2/lib/native路径可以看到支持Snappy压缩的动态链接库

pwd
/opt/software/hadoop-2.7.2/lib/native

ll

-rw-r--r--. 1 doit doit  472950 9月   1 10:19 libsnappy.a
-rwxr-xr-x. 1 doit doit     955 9月   1 10:19 libsnappy.la
lrwxrwxrwx. 1 doit doit      18 12月 24 20:39 libsnappy.so -> libsnappy.so.1.3.0
lrwxrwxrwx. 1 doit doit      18 12月 24 20:39 libsnappy.so.1 -> libsnappy.so.1.3.0
-rwxr-xr-x. 1 doit doit  228177 9月   1 10:19 libsnappy.so.1.3.0

6. 拷贝/opt/software/hadoop-2.7.2/lib/native里面的所有内容到开发集群的/opt/module/hadoop-2.7.2/lib/native路径上

 cp ../native/* /opt/module/hadoop-2.7.2/lib/native/

7. 分发集群

xsync native/

8. 再次查看hadoop支持的压缩类型

hadoop checknative
17/12/24 20:45:02 WARN bzip2.Bzip2Factory: Failed to load/initialize native-bzip2 library system-native, will use pure-Java version
17/12/24 20:45:02 INFO zlib.ZlibFactory: Successfully loaded & initialized native-zlib library
Native library checking:
hadoop:  true /opt/module/hadoop-2.7.2/lib/native/libhadoop.so
zlib:    true /lib64/libz.so.1
snappy:  true /opt/module/hadoop-2.7.2/lib/native/libsnappy.so.1
lz4:     true revision:99
bzip2:   false

9. 重新启动hadoop集群和hive

7.2 测试存储和压缩结合

1. 官网https://cwiki.apache.org/confluence/display/Hive/LanguageManual+ORC
   
   ORC存储方式的压缩：
   

7.3 演示

1．创建一个非压缩的的ORC存储方式

create table log_orc_none(
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by '\t'
stored as orc tblproperties ("orc.compress"="NONE");

insert into table log_orc_none select * from log_text ;

dfs -du -h /user/hive/warehouse/log_orc_none/ ;

2. 创建一个SNAPPY压缩的ORC存储方式

create table log_orc_snappy(
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by '\t'
stored as orc tblproperties ("orc.compress"="SNAPPY");

insert into table log_orc_snappy select * from log_text ;

dfs -du -h /user/hive/warehouse/log_orc_snappy/ ;

orc存储文件默认采用ZLIB压缩。比snappy压缩的小
在实际的项目开发当中，hive表的数据存储格式一般选择：orc或parquet。压缩方式一般选择snappy，lzo。

8. 总结

1. 在数据传输和存储中，对数据进行压缩由较高收益
2. 在hive处理海量数据存储时，数据压缩还需要进一步考虑。压缩过大，则压缩和解压缩消耗CPU资源会比较多，所以压缩和解压缩速度需要考虑。不压缩则数据量会大量消耗磁盘空间。
3. 在hive数据存储压缩时，由于hive本身是将sql转化为mapreduce程序，所以压缩后数据是否可以切割分块也是需要重点考虑的。
4. 实际hive的数据存储格式一般以orc和parquet为主，而压缩则以lzo和snappy为主。lzo支持压缩后数据切分，snappy不支持压缩后切块，但是压缩速度很快
   
5. 注意，textfile、orc、parquet中，只有textfile是可以直接打开查看的，所以部分测试场景，使用textfile还是有一定作用。特殊场景下，也有可能使用textfile格式

数据资料来源：
5. 尚硅谷官网开放资料
6. 官网资料
7. 多易教育开放资料