第8章 hive压缩和存储

一时失言乱红尘 2022-12-27 07:20 207阅读 0赞

### 文章目录 ###

*   *  Hadoop源码编译支持Snappy压缩
     *   *  8.1.1 资源准备
         *  8.1.2 jar包安装
         *  8.1.3 编译源码
 *  查看snappy库文件
 *  查看protobuf版本以测试是否安装成功
 *   *  8.2 Hadoop压缩配置
     *   *  8.2.1 MR支持的压缩编码
         *  8.2.2 压缩参数配置
     *  8.3 开启Map输出阶段压缩
     *  8.4 开启Reduce输出阶段压缩
     *  8.5 文件存储格式
     *   *  8.5.2 TextFile格式
         *  8.5.4 Parquet格式

## Hadoop源码编译支持Snappy压缩 ##

### 8.1.1 资源准备 ###

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)

（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

### 8.1.2 jar包安装 ###

注意：所有操作必须在root用户下完成  
1．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)  
\[root@bigdata03software\] \# `tar -zxf jdk-8u144-linux-x64.tar.gz -C /opt/module/`  
\[root@bigdata03software\]\# `vi /etc/profile`

#JAVA_HOME
    export JAVA_HOME=/opt/module/jdk1.8.0_144
    export PATH=$PATH:$JAVA_HOME/bin

\[root@bigdata03software\]\#`source /etc/profile`  
验证命令：java -version  
2．Maven解压、配置 MAVEN\_HOME和PATH  
\[root@bigdata03 software\]\# `tar -zxvf apache-maven-3.0.5-bin.tar.gz -C /opt/module/`  
\[root@bigdata03apache-maven-3.0.5\]\# `vi /etc/profile`

#MAVEN_HOME
    export MAVEN_HOME=/opt/module/apache-maven-3.0.5
    export PATH=$PATH:$MAVEN_HOME/bin

\[root@bigdata03 software\]\#source /etc/profile  
验证命令：mvn -version  
配置Maven镜像

<mirror>
          <id>alimaven</id>
          <name>aliyun maven</name>
          <url>http://maven.aliyun.com/nexus/content/groups/public/</url>
          <mirrorOf>central</mirrorOf>        
        </mirror>
    	<mirror>
          <id>repo2</id>
          <name>repo2 maven</name>
          <url>http://repo2.maven.org/maven2</url>
          <mirrorOf>central</mirrorOf>        
        </mirror>

### 8.1.3 编译源码 ###

1．准备编译环境

[root@bigdata03software]# yum install svn
    [root@bigdata03software]# yum install autoconf automake libtool cmake
    [root@bigdata03software]# yum install ncurses-devel
    [root@bigdata03software]# yum install openssl-devel
    [root@bigdata03software]# yum install gcc*
    2．编译安装snappy
    [root@bigdata03software]# tar -zxvf snappy-1.1.3.tar.gz -C /opt/module/
    [root@bigdata03module]# cd snappy-1.1.3/
    [root@bigdata03snappy-1.1.3]# ./configure
    [root@bigdata03snappy-1.1.3]# make
    [root@bigdata03snappy-1.1.3]# make install

# 查看snappy库文件 #

root@bigdata03snappy-1.1.3]# ls -lh /usr/local/lib |grep snappy
    3．编译安装protobuf
    [root@hadoop101 software]# tar -zxvf protobuf-2.5.0.tar.gz -C /opt/module/
    [root@bigdata03module]# cd protobuf-2.5.0/
    [root@bigdata03protobuf-2.5.0]# ./configure 
    [root@bigdata03protobuf-2.5.0]#  make 
    [root@bigdata03protobuf-2.5.0]#  make install

# 查看protobuf版本以测试是否安装成功 #

[root@bigdata03protobuf-2.5.0]# protoc --version
    4．编译hadoop native
    [root@bigdata03software]# tar -zxvf hadoop-2.7.2-src.tar.gz
    [root@bigdata03software]# tar -zxf hadoop-2.7.2-src.tar.gz -C /opt/
    [root@bigdata03software]# cd hadoop-2.7.2-src/
    [root@bigdata03software]# mvn clean package -DskipTests -Pdist,native -Dtar -Dsnappy.lib=/usr/local/lib -Dbundle.snappy
    [root@bigdata03hadoop-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。

## 8.2 Hadoop压缩配置 ##

### 8.2.1 MR支持的压缩编码 ###

![表6-8压缩格式	工具	算法	文件扩展名	是否可切分DEFLATE	无	DEFLATE	.deflate	否Gzip	gzip	DEFLATE	.gz	否bzip2	bzip2	bzip2	.bz2	是LZO	lzop	LZO	.lzo	是Snappy	无	Snappy	.snappy	否为了支持多种压缩/解压缩算法，Hadoop引入了编码/解码器，如下表所示：表6-9压缩格式	对应的编码/解码器DEFLATE	org.apache.hadoop.io.compress.DefaultCodecgzip	org.apache.hadoop.io.compress.GzipCodecbzip2	org.apache.hadoop.io.compress.BZip2CodecLZO	com.hadoop.compression.lzo.LzopCodecSnappy	org.apache.hadoop.io.compress.SnappyCodec压缩性能的比较：表6-10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/sbzip2	8.3GB	1.1GB	2.4MB/s	9.5MB/sLZO	8.3GB	2.9GB	49.3MB/s	74.6MB/shttp://google.github.io/snappy/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.][6-8_DEFLATE_DEFLATE_.deflate_Gzip_gzip_DEFLATE_.gz_bzip2_bzip2_bzip2_.bz2_LZO_lzop_LZO_.lzo_Snappy_Snappy_.snappy_Hadoop_6-9_DEFLATE_org.apache.hadoop.io.compress.DefaultCodecgzip_org.apache.hadoop.io.compress.GzipCodecbzip2_org.apache.hadoop.io.compress.BZip2CodecLZO_com.hadoop.compression.lzo.LzopCodecSnappy_org.apache.hadoop.io.compress.SnappyCodec_6-10_gzip_8.3GB_1.8GB_17.5MB_s_58MB_sbzip2_8.3GB_1.1GB_2.4MB_s_9.5MB_sLZO_8.3GB_2.9GB_49.3MB_s_74.6MB_shttp_google.github.io_snappy_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.]

### 8.2.2 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）：

![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bzip2mapreduce.output.fileoutputformat.compress.type	RECORD	reducer输出	SequenceFile输出使用的压缩类型：NONE和BLOCK][org.apache.hadoop.io.compress.Lz4Codec_Hadoop_mapreduce.map.output.compress_false_mapper_true_mapreduce.map.output.compress.codec_org.apache.hadoop.io.compress.DefaultCodec_mapper_LZO_LZ4_snappy_mapreduce.output.fileoutputformat.compress_false_reducer_true_mapreduce.output.fileoutputformat.compress.codec_org.apache.hadoop.io.compress. DefaultCodec_reducer_gzip_bzip2mapreduce.output.fileoutputformat.compress.type_RECORD_reducer_SequenceFile_NONE_BLOCK]

## 8.3 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：  
案例实操：  
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;`

## 8.4 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。  
案例实操：  
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
     '/opt/module/datas/distribute-result' select * from emp distribute by deptno sort by empno desc;

## 8.5 文件存储格式 ##

Hive支持的存储数据的格式主要有：TEXTFILE 、SEQUENCEFILE、ORC、PARQUET。  
8.5.1 列式存储和行式存储

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNjc0MzYw_size_16_color_FFFFFF_t_70][]

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。

### 8.5.2 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。  
8.5.3 Orc格式  
Orc (Optimized Row Columnar)是Hive 0.11版里引入的新的存储格式。  
如图6-11所示可以看到每个Orc文件由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，对应到Parquet中的row group的概念。每个Stripe里有三部分组成，分别是Index Data，Row Data，Stripe Footer：

![图6-11 Orc格式][6-11 Orc]

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。

### 8.5.4 Parquet格式 ###

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。

1.  行组(Row Group)：每一个行组包含一定的行数，在一个HDFS文件中至少存储一个行组，类似于orc的stripe的概念。
2.  列块(Column Chunk)：在一个行组中每一列保存在一个列块中，行组中的所有列连续的存储在这个行组文件中。一个列块中的值都是相同类型的，不同的列块可能使用不同的算法进行压缩。
3.  页(Page)：每一个列块划分为多个页，一个页是最小的编码的单位，在同一个列块的不同页可能使用不同的编码方式。  
    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。Parquet文件的格式如图6-12所示。

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNjc0MzYw_size_16_color_FFFFFF_t_70 1]

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。  
8.5.5 主流文件存储格式对比实验  
从存储文件的压缩比和查询速度两个角度对比。  
存储文件的压缩比测试：

1.  测试数据

2．TextFile  
（1）创建表，存储数据格式为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 ;

（2）向表中加载数据  
hive (default)> l`oad data local inpath '/opt/module/datas/log.data' into table log_text ;`  
（3）查看表中数据大小  
hive (default)> `dfs -du -h /user/hive/warehouse/log_text;`

18.1 M  /user/hive/warehouse/log_text/log.data

3．ORC  
（1）创建表，存储数据格式为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 ;

（2）向表中加载数据  
hive (default)> `insert into table log_orc select * from log_text ;`  
（3）查看表中数据大小  
hive (default)> `dfs -du -h /user/hive/warehouse/log_orc/ ;`

2.8 M  /user/hive/warehouse/log_orc/000000_0

4．Parquet  
（1）创建表，存储数据格式为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 ;

（2）向表中加载数据  
hive (default)> i`nsert into table log_parquet select * from log_text ;`  
（3）查看表中数据大小  
hive (default)> `dfs -du -h /user/hive/warehouse/log_parquet/ ;`

13.1 M  /user/hive/warehouse/log_parquet/000000_0

存储文件的压缩比总结：

ORC >  Parquet >  textFile

存储文件的查询速度测试：  
1．TextFile（自测≈14.7s）

hive (default)> select count(*) from log_text;
    _c0
    100000
    Time taken: 21.54 seconds, Fetched: 1 row(s)
    Time taken: 21.08 seconds, Fetched: 1 row(s)
    Time taken: 19.298 seconds, Fetched: 1 row(s)

2．ORC（自测≈13.7）

hive (default)> select count(*) from log_orc;
    _c0
    100000
    Time taken: 20.867 seconds, Fetched: 1 row(s)
    Time taken: 22.667 seconds, Fetched: 1 row(s)
    Time taken: 18.36 seconds, Fetched: 1 row(s)

3．Parquet（自测≈14.7s）

hive (default)> select count(*) from log_parquet;
    _c0
    100000
    Time taken: 22.922 seconds, Fetched: 1 row(s)
    Time taken: 21.074 seconds, Fetched: 1 row(s)
    Time taken: 18.384 seconds, Fetched: 1 row(s)

存储文件的查询速度总结：查询速度相近。

[6-8_DEFLATE_DEFLATE_.deflate_Gzip_gzip_DEFLATE_.gz_bzip2_bzip2_bzip2_.bz2_LZO_lzop_LZO_.lzo_Snappy_Snappy_.snappy_Hadoop_6-9_DEFLATE_org.apache.hadoop.io.compress.DefaultCodecgzip_org.apache.hadoop.io.compress.GzipCodecbzip2_org.apache.hadoop.io.compress.BZip2CodecLZO_com.hadoop.compression.lzo.LzopCodecSnappy_org.apache.hadoop.io.compress.SnappyCodec_6-10_gzip_8.3GB_1.8GB_17.5MB_s_58MB_sbzip2_8.3GB_1.1GB_2.4MB_s_9.5MB_sLZO_8.3GB_2.9GB_49.3MB_s_74.6MB_shttp_google.github.io_snappy_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.]: /images/20221120/f3bd7017271e42f5b1b2c832493de314.png
[org.apache.hadoop.io.compress.Lz4Codec_Hadoop_mapreduce.map.output.compress_false_mapper_true_mapreduce.map.output.compress.codec_org.apache.hadoop.io.compress.DefaultCodec_mapper_LZO_LZ4_snappy_mapreduce.output.fileoutputformat.compress_false_reducer_true_mapreduce.output.fileoutputformat.compress.codec_org.apache.hadoop.io.compress. DefaultCodec_reducer_gzip_bzip2mapreduce.output.fileoutputformat.compress.type_RECORD_reducer_SequenceFile_NONE_BLOCK]: /images/20221120/1e6fffce5a7f4a22a17137ed9b3e7b76.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNjc0MzYw_size_16_color_FFFFFF_t_70]: /images/20221120/dff09b1c7e114cf494cc808a6a98d32f.png
[6-11 Orc]: /images/20221120/210ba16971cf4acfa23bb86167eb8c93.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzQzNjc0MzYw_size_16_color_FFFFFF_t_70 1]: /images/20221120/fd049a3f802b4f4e8ee3c62c9adec077.png