Hive08-压缩和存储

Hadoop 源码编译支持Snappy 压缩

• hadoop-2.7.2-src.tar.gz
• jdk-8u144-linux-x64.tar.gz
• snappy-1.1.3.tar.gz
• apache-maven-3.0.5-bin.tar.gz
• protobuf-2.5.0.tar.gz

1. 准备编译环境

   yum install svn
   yum install autoconf automake libtool cmake
   yum install ncurses-devel
   yum install openssl-devel
   yum install gcc*
   

2. 编译安装snappy

   cd snappy-1.1.3/
   ./configure
   make
   make install
   '查看snappy 库文件
   ls -lh /usr/local/lib |grep snappy
   

3. 编译安装protobuf

   cd protobuf-2.5.0/
   ./configure
   make
   make install
   '查看protobuf 版本以测试是否安装成功
   protoc --version
   

4. 编译hadoop native

   cd hadoop-2.7.2-src/
   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。

Hadoop 压缩配置

MR 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

压缩性能的比较：

压缩参数配置

core-site.xml

mapred-site.xml

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：

'开启hive 中间传输数据压缩功能
hive (default)>set hive.exec.compress.intermediate=true;
'开启mapreduce 中map 输出压缩功能
hive (default)>set mapreduce.map.output.compress=true;
'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;
'执行查询语句
hive (default)> select count(ename) name from emp;

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。

'开启hive 最终输出数据压缩功能
hive (default)>set hive.exec.compress.output=true;
'开启mapreduce 最终输出数据压缩
hive (default)>set mapreduce.output.fileoutputformat.compress=true;
'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;
'设置mapreduce 最终数据输出压缩为块压缩
hive (default)> set mapreduce.output.fileoutputformat.compress.type=BLOCK;
'测试一下输出结果是否是压缩文件
hive (default)> insert overwrite local directory '/opt/module/datas/distribute-result' select * from emp distribute by deptno sort by empno desc;

文件存储格式

Hive 支持的存储数的格式主要有：TEXTFILE 、SEQUENCEFILE、ORC、PARQUET。图中左边为逻辑表，右边第一个为行式存储，第二个为列式存储。

列式存储和行式存储

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。

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 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。

Orc 格式

Orc (Optimized Row Columnar)是Hive 0.11 版里引入的新的存储格式。

每个Orc 文件由1 个或多个stripe 组成，每个stripe 250MB 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：

• 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。
• 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。
• 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。

Parquet 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。

存储和压缩结合

修改Hadoop 集群具有Snappy 压缩方式

'查看hadoop checknative 命令使用'
[atguigu@hadoop104 hadoop-2.7.2]$ hadoop checknative [-a|-h] check native hadoop and compression libraries availability
'查看hadoop 支持的压缩方式'
[atguigu@hadoop104 hadoop-2.7.2]$ 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

'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'
'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'
libsnappy.a
libsnappy.la
libsnappy.so -> libsnappy.so.1.3.0
libsnappy.so.1 -> libsnappy.so.1.3.0
libsnappy.so.1.3.0
'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'
'分发集群'
'再次查看hadoop 支持的压缩类型'
[atguigu@hadoop102 hadoop-2.7.2]$ hadoop checknative
17/12/24 20:45:02 WARN bzip2.Bzip2Factory: Failed to load/initialize native-bzip2 library system-native, will usepure-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
'重新启动hadoop 集群和hive'

测试存储和压缩

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。

'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");
'插入数据'
'查看插入后数据'
hive (default)> dfs -du -h /user/hive/warehouse/log_orc_none/;

ORC 存储方式的压缩：