文件格式和压缩
1. 文件格式
Hive表数据的存储格式，可以选择text file、orc、parquet、sequence file等。其中text file和sequence file都是基于行存储的，orc和parquet是基于列式存储的。
2. 行列存储特点
与列式存储相对的是行式存储，下图是两者的对比：
2.1 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。
2.2 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。
3. Text文件
文本文件是Hive默认使用的文件格式，文本文件中的一行内容，就对应Hive表中的一行记录。
建表指定文件格式为文本文件：
create table 表名
(字段声明)
stored as textfile;4. ORC
ORC(Optimized Row Columnar)file format是Hive 0.11版里引入的一种列式存储的文件格式。ORC文件能够提高Hive读写数据和处理数据的性能。orc更多资料可以参考apache orc官网, orc文件的具体结构如下图所示：
每个Orc文件由Header、Body和Tail三部分组成。
- Header内容为ORC，用于表示文件类型。
- Body由1个或多个stripe组成，每个stripe一般为HDFS的块大小，每一个stripe包含多条记录，这些记录按照列进行独立存储，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，默认是为各列每隔1W行做一个索引。每个索引会记录第n万行的位置，和最近一万行的最大值和最小值等信息。
- Row Data：存的是具体的数据，按列进行存储，并对每个列进行编码，分成多个Stream来存储。
- Stripe Footer：存放的是各个Stream的位置以及各column的编码信息。
- Tail由File Footer和PostScript组成。File Footer中保存了各Stripe的真实位置、索引长度、数据长度等信息，各Column的统计信息等；PostScript记录了整个文件的压缩类型以及File Footer的长度信息等。
在读取ORC文件时，会先从最后一个字节读取PostScript长度，进而读取到PostScript，从里面解析到File Footer长度，进而读取FileFooter，从中解析到各个Stripe信息，再读各个Stripe，即从后往前读。
建表指明存储orc语法：
create table orc_table
(column_specs)
stored as orc
tblproperties (property_name=property_value, ...);可以看到保存文件内容不再指定列之间的分隔符，因为它是列式存储😁，ORC文件格式支持的参数如下：
| 参数 | 默认值 | 说明 |
|---|---|---|
| orc.compress | ZLIB | 压缩格式，可选项：NONE、ZLIB,、SNAPPY |
| orc.compress.size | 262,144 | 每个压缩块的大小(ORC文件是分块压缩的) |
| orc.stripe.size | 67,108,864 | 每个stripe的大小 |
| orc.row.index.stride | 10,000 | 索引步长(每隔多少行数据建一条索引) |
5. Parquet
Parquet文件是Hadoop生态中的一个通用的文件格式，它也是一个列式存储的文件格式。Parquet文件的格式如下图所示：
上图展示了一个Parquet文件的基本结构，文件的首尾都是该文件的Magic Code，用于校验它是否是一个Parquet文件。中间由若干个Row Group和一个Footer(File Meta Data)组成。
- 每个Row Group包含多个Column Chunk，每个Column Chunk包含多个Page。以下是Row Group、Column Chunk和Page三个概念的说明：
- 行组(Row Group)：一个行组对应逻辑表中的若干行。
- 列块(Column Chunk)：一个行组中的一列保存在一个列块中。
- 页(Page)：一个列块的数据会划分为若干个页。
- Footer(File Meta Data)中存储了每个行组(Row Group)中的每个列快(Column Chunk)的元数据信息，元数据信息包含了该列的数据类型、该列的编码方式、该类的Data Page位置等信息。
- 建表语句语法：
Create table parquet_table
(column_specs)
stored as parquet
tblproperties (property_name=property_value, ...);支持的参数如下：
| 参数 | 默认值 | 说明 |
|---|---|---|
| parquet.compression | uncompressed | 压缩格式，可选项：uncompressed，snappy，gzip，lzo，brotli，lz4 |
| parquet.block.size | 134217728 | 行组大小，通常与HDFS块大小保持一致 |
| parquet.page.size | 1048576 | 页大小 |
6. 表压缩
在Hive表中和计算过程中，保持数据的压缩，对磁盘空间的有效利用和提高查询性能都是十分有益的。
6.1 TextFile格式表压缩
若一张表的文件类型为TextFile，若需要对该表中的数据进行压缩，多数情况下，无需在建表语句做出声明。直接将压缩后的文件导入到该表即可，Hive在查询表中数据时，可自动识别其压缩格式，进行解压。
需要注意的是，在执行往表中导入数据的SQL语句时，用户需设置以下参数，来保证写入表中的数据是被压缩的。
--SQL语句的最终输出结果是否压缩
set hive.exec.compress.output=true;
--输出结果的压缩格式(以下示例为snappy)
set mapreduce.output.fileoutputformat.compress.codec =org.apache.hadoop.io.compress.SnappyCodec;6.2 ORC格式表压缩
若一张表的文件类型为ORC，若需要对该表数据进行压缩，需在建表语句中声明压缩格式如下：
create table orc_table
(column_specs)
stored as orc
tblproperties ("orc.compress"="snappy");6.3 Parquet格式表压缩
若一张表的文件类型为Parquet，若需要对该表数据进行压缩，需在建表语句中声明压缩格式如下：
create table parquet_table
(column_specs)
stored as parquet
tblproperties ("parquet.compression"="snappy");操作列式存储表需要注意的点
列式存储的表不能直接使用load命令进行加载文件到Hive表中，可以理解为load命令本质就是移动文件，load命令加载进来的表将使得Hive无法识别读取。正确做法是先load加载到一张普通表里面，在通过select ... insert...的sql进行导入到列式存储表中，底层通过MR执行来实现。怎么理解呢？可以查看列式存储完整的表结构，如下图，可以看出MR过程中有对应的列式存储的InputstreamFormat和OutputFormat来支持读取和写出。
7. 计算过程中使用压缩
7.1 单个MR的中间结果进行压缩
单个MR的中间结果是指Mapper输出的数据，对其进行压缩可降低shuffle阶段的网络IO，可通过以下参数进行配置：
--开启MapReduce中间数据压缩功能
set mapreduce.map.output.compress=true;
--设置MapReduce中间数据数据的压缩方式(以下示例为snappy)
set mapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.SnappyCodec;7.2 单条SQL语句的中间结果进行压缩
单条SQL语句的中间结果是指，两个MR(一条SQL语句可能需要通过MR进行计算)之间的临时数据，可通过以下参数进行配置：
--是否对两个MR之间的临时数据进行压缩
set hive.exec.compress.intermediate=true;
--压缩格式(以下示例为snappy)
set hive.intermediate.compression.codec= org.apache.hadoop.io.compress.SnappyCodec;