Hive的存储格式对比
在生产中可以通过Hive表的文件格式及查询速度的对比来确定使用哪种文件格式，以节省空间和提高查询速度；
成都创新互联公司是一家集网站建设,浚县企业网站建设,浚县品牌网站建设,网站定制,浚县网站建设报价,网络营销,网络优化,浚县网站推广为一体的创新建站企业，帮助传统企业提升企业形象加强企业竞争力。可充分满足这一群体相比中小企业更为丰富、高端、多元的互联网需求。同时我们时刻保持专业、时尚、前沿，时刻以成就客户成长自我，坚持不断学习、思考、沉淀、净化自己，让我们为更多的企业打造出实用型网站。
官方参考文档：https://cwiki.apache.org/confluence/display/HIVE
结论：
压缩效果：
最好的是：bzip2；bzip2压缩比很高，但是占用时间较久
其次：orc和parquet的压缩几乎一致；生产建议选择orc或者parquet;
查询性能：由于数据量太小，得出的结果不准确；大佬的生产经验是parquet的查询性能要优于orc；
Hive支持的存储格式有：
Text File
SequenceFile
RCFile
Avro Files
ORC Files
Parquet
注：Hive默认的格式为Text File，可以通过set hive.default.fileformat查看
> set hive.default.fileformat; hive.default.fileformat=TextFile
以下将对每种文件格式进行对比：
创建TextFile表
#原始数据格式为TextFile，大小为65M [hadoop@hadoop001 ~]$ hadoop fs -du -s -h /input/* 64.9 M 194.7 M /input/part-r-00000 #创建表并加载TextFile数据 CREATE EXTERNAL TABLE textfile ( cdn string, region string, level string, time string, ip string, domain string, url string, traffic bigint) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'; load data local inpath '/home/hadoop/part-r-00000' overwrite into table textfile;
可以看到此数据大小的64.9M
从上面的表中创建一个bzip2压缩的表：
hive支持在创建表的时候对数据进行压缩，配置如下：
设置开启压缩：set hive.exec.compress.output=true;
查看压缩的格式：set mapreduce.output.fileoutputformat.compress.codec;
配置压缩的格式：set mapreduce.output.fileoutputformat.compress.codec=org.apache.hadoop.io.compress.BZip2Codec
#创建一个bzip2压缩的表 create table textfile_bzip2 as select * from textfile;
可以看到启动压缩以后，大小只有13.84M，格式为bz2
创建SequenceFile表
#创建SequenceFile表 CREATE EXTERNAL TABLE seqfile ( cdn string, region string, level string, time string, ip string, domain string, url string, traffic bigint) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' stored as sequencefile; #加载数据 insert into table seqfile select * from textfile; 注：默认用load加载数据时，由于源文件是textfile，而表格式为sequencefile，所以无法直接加载，要借用一个临时表使用insert into进行加载
可以看到sequencefile格式的表数据比原始文件还要大，这是因为sequencefile表在创建时，增加了很多额外信息，在生产中不使用此种类型的文件格式;
创建RCFile表
#创建RCFile表 CREATE EXTERNAL TABLE rcfile ( cdn string, region string, level string, time string, ip string, domain string, url string, traffic bigint) ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t' stored as rcfile; #加载数据 insert into table rcfile select * from textfile;
rcfile的作用仅仅是将存储空间节省了10%左右，在生产中不使用此种文件格式；
创建ORC Files：orc是基于rc，是优化过后的列式存储
关于orc的官方介绍：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+ORC
#创建orc格式的表；默认orcfile是采用zlib格式进行压缩
CREATE EXTERNAL TABLE orcfile (
cdn string,
region string,
level string,
time string,
ip string,
domain string,
url string,
traffic bigint)
ROW FORMAT DELIMITED FIELDS TERMINATED BY '\t'
stored as orcfile;
#加载数据
insert into table orcfile select * from textfile;
#创建orc格式的表，指定不采用zlib压缩；通过"orc.compress"="NONE"指定
create table orcfile_none
stored as orc tblproperties ("orc.compress"="NONE")
as select * from textfile;orcfile采用zlib压缩：
orcfile不采用zlib压缩：
总结：通过对比，采用zlib压缩时，节省的空间更多一点
创建Parquet格式的表
#创建Parquet格式不使用压缩 create table parquetfile stored as parquet as select * from textfile; #创建Parquet格式使用gzip压缩 set parquet.compression=gzip; create table parquetfile_gzip stored as parquet as select * from textfile; 注：通过对比，Parquet格式使用gzip压缩时，可以节省大量的空间
parquet不经过gzip压缩：可以看到几乎没有压缩多少空间
parquet经过gzip压缩：可以看到压缩后的数据很代；
查询性能对比：
查询语句：select count(*) from textfile|rcfile|orcfile|parquetfile where ip='210.35.230.31';
查询条数：
textfile：查询了全表的所有数据，查询68085397条数据；
rcfile：查询1973371条数据；
orcfile：查询2883851条数据；
parquetfile：查询了8622602条数据；
标题名称：Hive的存储格式对比
URL地址：http://scjbc.cn/article/gsghhe.html
