實用干貨分享（5）- Ｈive存儲格式及壓縮算法測試比對分析

 編輯

Hive文件存儲格式及優缺點

textfile

默認的文件格式，行存儲。建表時不指定存儲格式即為textfile，導入數據時把數據文件拷貝至hdfs不進行處理。

優點：最簡單的數據格式，便于和其他工具（pig, grep, sed, awk）共享數據、便于查看和編輯；加載較快。

缺點：耗費存儲空間，I/O性能較低；Hive不進行數據切分合并，不能進行并行操作，查詢效率低。

適用于小型查詢，查看具體數據內容的測試操作。

sequencefile

行存儲，含有鍵值對的二進制文件。

優點：可壓縮、可分割，優化磁盤利用率和I/O；可并行操作數據，查詢效率高。

缺點：存儲空間消耗最大；對于Hadoop生態系統之外的工具不適用，需要通過text文件轉化加載。

rcfile

行列式存儲。先將數據按行分塊，同一個record在一個塊上，避免讀一條記錄需要讀多個block；然后塊數據列式存儲。

優點：可壓縮，高效的列存取；查詢效率較高。

缺點：加載時性能消耗較大，需要通過text文件轉化加載；讀取全量數據性能低。

orcfile

編輯

優化后的rcfile，行列式存儲。優缺點與rcfile類似，查詢效率最高。適用于Hive中大型的存儲、查詢。

parquet

編輯

列式存儲，以二進制方式存儲。

優點：可壓縮，高效的列存取；優化I/O。

缺點：不支持upadate操作(數據寫入后不可更改)，不支持ACID。

Hive壓縮算法對比

Hive壓縮算法包含6種，其中包含default、gzip、bzip2、lzo、lz4、snappy等壓縮格式，具體采用壓縮算法及比對詳細如下：

檢查Ｈadoop本地庫支持壓縮格式

檢查命令：hadoop checknative

hadoop checknative 命令檢查本地庫是否支持壓縮，若不支持，需要進行源碼編譯將native library編譯進Hadoop。

native library checking:

hadoop:  true /opt/cloudera/parcels/cdh-6.1.0-1.cdh6.1.0.p0.770702/lib/hadoop/lib/native/libhadoop.so.1.0.0

zlib:     true /lib64/libz.so.1

zstd:     true /opt/cloudera/parcels/cdh-6.1.0-1.cdh6.1.0.p0.770702/lib/hadoop/lib/native/libzstd.so.1

snappy:  true /opt/cloudera/parcels/cdh-6.1.0-1.cdh6.1.0.p0.770702/lib/hadoop/lib/native/libsnappy.so.1

lz4:     true revision:10301

bzip2:   true /lib64/libbz2.so.1

openssl:  true /lib64/libcrypto.so

isa-l:   true /opt/cloudera/parcels/cdh-6.1.0-1.cdh6.1.0.p0.770702/lib/hadoop/lib/native/libisal.so.2

Hive壓縮算法設置

default壓縮格式

編輯

set hive.exec.compress.output=true; 

set mapred.output.compress=true;

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

gzip壓縮格式

編輯

set hive.exec.compress.output=true; 

set mapred.output.compress=true; 

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

bzip2壓縮格式

編輯

set hive.exec.compress.output=true; 

set mapred.output.compress=true; 

set mapred.output.compression.codec=org.apache.hadoop.io.compress.bzip2codec;

lzo壓縮格式

編輯

set hive.exec.compress.output=true; 

set mapred.output.compress=true; 

set mapred.output.compression.codec=com.hadoop.compression.lzo.lzopcodec;

lz4壓縮格式

編輯

set hive.exec.compress.output=true; 

set mapred.output.compress=true; 

set mapred.output.compression.codec= org.apache.hadoop.io.compress.lz4pcodec;

snappy壓縮格式

編輯

set hive.exec.compress.output=true;

set mapred.compress.map.output=true;

set mapred.output.compress=true;

set mapred.output.compression=org.apache.hadoop.io.compress.snappycodec;

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

set io.compression.codecs=org.apache.hadoop.io.compress.snappycodec;

壓縮算法測試及結果比對

測試案例

編輯

測試一個Hive在不同的壓縮格式下進行對壓縮比、查詢效率、插入效率進行結果比對。

測試環境

編輯

大數據平臺產品：CDH6.1

節點個數：2+6

內存：256G

CPU：64核

測試數據

編輯

表名稱：ods.o_cor_test

源文件大小：3.8G  

查詢速度：19.41S

建表語句: 

CREATE TABLE ODS.O_COR_TEST

(  BOOK_ID                 STRING,

  EVENT_ID                 STRING,

  TRX_ID_IN                STRING,

  TRX_ID_OUT               STRING,

  LINE_ID                  STRING,

  HEADER_ID                STRING,

  BATCH_ID                 STRING,

  BOOK_TYPE                STRING,

  ASSET_TYPE               STRING,

  CATEGORY_ID              STRING,

  INTERFACE_CONTROL_ID_IN  STRING,

  INTERFACE_CONTROL_ID_OUT STRING,

  EFFECTIVE_DATE           DATE,

  INEFFECTIVE_DATE         DATE,

  DATA_DATE                DATE,

  ACCOUNTING_DATE          DATE,

  EVENT_TYPE               STRING,

  ACTIVE_CODE              STRING,

  AMORTIZED_COST           STRING,

  FAIR_COST                STRING,

  CONTACT_IN               STRING,

  CONTACT_OUT              STRING,

  COST                     STRING,

  INT                      STRING,

  INT_ADJUST               STRING,

  EVALUATION_ADJUST        STRING,

  FAIR_COST_ADJUST         STRING,

  CV_RESERVE               STRING,

  RV_RESERVE               STRING,

  HV_RESERVE               STRING,

  RA_COST                  STRING,

  LEASE_COST               STRING,

  LEASE_CV_RESERVE         STRING,

  LEASE_RV_RESERVE         STRING,

  LEASE_HV_RESERVE         STRING,

  INVESTMENT_INCOME        STRING,

  INVESTMENT_LOSS          STRING,

  FAIR_COST_GAIN_LOSS      STRING,

  V_LOSS                   STRING,

  OTHER_INCOME             STRING,

  ORIGINAL                 STRING,

  TRANS_INT_IN             STRING,

  TRANS_INT_OUT            STRING,

  INT_ACCRUED              STRING,

  EXPENSE                  STRING,

  RECOV_ORIGINAL           STRING,

  RECOV_TRANS_INT_IN       STRING,

  RECOV_TRANS_INT_OUT      STRING,

  RECOV_INT_ACCRUED        STRING,

  RECOV_EXPENSE            STRING,

  LOSS_ORIGINAL            STRING,

  LOSS_TRANS_INT_IN        STRING,

  LOSS_TRANS_INT_OUT       STRING,

  LOSS_INT_ACCRUED         STRING,

  LOSS_EXPENSE             STRING,

  LEASE_ORIGINAL           STRING,

  GUARANTEE1               STRING,

  GUARANTEE2               STRING,

  GUARANTEE3               STRING,

  BALANCE_OUT              STRING,

  LY_INVESTMENT_INCOME     STRING,

  LY_INVESTMENT_LOSS       STRING,

  LY_FAIR_COST_GAIN_LOSS   STRING,

  LY_V_LOSS                STRING,

  LAST_UPDATE_DATE         DATE,

  LAST_UPDATED_BY          STRING,

  CREATION_DATE            DATE,

  CREATED_BY               STRING,

  LAST_UPDATE_LOGIN        STRING,

  ATTRIBUTE_CATEGORY       STRING,

  ATTRIBUTE1               STRING,

  ATTRIBUTE2               STRING,

  ATTRIBUTE3               STRING,

  ATTRIBUTE4               STRING,

  ATTRIBUTE5               STRING,

  ATTRIBUTE6               STRING,

  ATTRIBUTE7               STRING,

  ATTRIBUTE8               STRING,

  ATTRIBUTE9               STRING,

  ATTRIBUTE10              STRING,

  INT_AMORTIZED            STRING,

  START_DATE               DATE,

  END_DATE                 DATE,

  DEL_FLAG                 STRING

)

測試方法

本測試采用每次開啟Hive壓縮模式并設置Hive的壓縮算法，對于Hive每種文件存儲格式新建Hive表，并向不同分區插入數據，測試并記錄各種壓縮算法的壓縮效率、查詢速率、插入速度。

注：每次設置終端退出后設置無效。

查詢速率測試sql語句：

select count(*) from ods.o_cor_test where etl_date=

壓縮算法對比

測試結果

當應用場景多為查詢時，建議使用orcfile存儲格式且壓縮格式為default。

當應用場景多為存儲時，建議使用orcfile存儲格式且壓縮格式為bzip2。

當應用場景多為插入時，建議使用sequencefile存儲格式且壓縮格式為snappy。

一般常用存儲格式為orcfile且壓縮格式為default。