博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
Mark : hive文件存储格式
阅读量:4216 次
发布时间:2019-05-26

本文共 2474 字,大约阅读时间需要 8 分钟。

hive文件存储格式包括以下几类:

TEXTFILE

SEQUENCEFILE

RCFILE

自定义格式

其中TEXTFILE为默认格式,建表时不指定默认为这个格式,导入数据时会直接把数据文件拷贝到hdfs上不进行处理。

SequenceFile,RCFile格式的表不能直接从本地文件导入数据,数据要先导入到textfile格式的表中,然后再从textfile表中用insert导入到SequenceFile,RCFile表中。

 

TEXTFIEL

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(系统自动检查,执行查询时自动解压),但使用这种方式,hive不会对数据进行切分,从而无法对数据进行并行操作。
实例:

> create table test1(str STRING)  > STORED AS TEXTFILE;   OK  Time taken: 0.786 seconds  #写脚本生成一个随机字符串文件,导入文件:  > LOAD DATA LOCAL INPATH '/home/work/data/test.txt' INTO TABLE test1;  Copying data from file:/home/work/data/test.txt  Copying file: file:/home/work/data/test.txt  Loading data to table default.test1  OK  Time taken: 0.243 seconds

 

SEQUENCEFILE

SequenceFile是Hadoop API提供的一种二进制文件支持,其具有使用方便、可分割、可压缩的特点。

SequenceFile支持三种压缩选择:NONE, RECORD, BLOCK。 Record压缩率低,一般建议使用BLOCK压缩。
示例:

> create table test2(str STRING)  > STORED AS SEQUENCEFILE;  OK  Time taken: 5.526 seconds  hive> SET hive.exec.compress.output=true;  hive> SET io.seqfile.compression.type=BLOCK;  hive> INSERT OVERWRITE TABLE test2 SELECT * FROM test1;

 

RCFILE

RCFILE是一种行列存储相结合的存储方式。首先,其将数据按行分块,保证同一个record在一个块上,避免读一个记录需要读取多个block。其次,块数据列式存储,有利于数据压缩和快速的列存取。RCFILE文件示例:

> create table test3(str STRING)  > STORED AS RCFILE;  OK  Time taken: 0.184 seconds  >  INSERT OVERWRITE TABLE test3 SELECT * FROM test1;

实践证明RCFile目前没有性能优势, 只有存储上能省10%的空间, 作者自己都承认. Facebook用它也就是为了存储,. RCFile目前没有使用特殊的压缩手段, 例如算术编码, 后缀树等, 没有像InfoBright那样能skip 大量io.

 

自定义格式

当用户的数据文件格式不能被当前 Hive 所识别的时候,可以自定义文件格式。

用户可以通过实现inputformat和outputformat来自定义输入输出格式,参考代码:.\hive-0.8.1\src\contrib\src\java\org\apache\hadoop\hive\contrib\fileformat\base64
实例:

> create table test4(str STRING)  > stored as  > inputformat 'org.apache.hadoop.hive.contrib.fileformat.base64.Base64TextInputFormat'  > outputformat 'org.apache.hadoop.hive.contrib.fileformat.base64.Base64TextOutputFormat';

 

$ cat test1.txt aGVsbG8saGl2ZQ==aGVsbG8sd29ybGQ=aGVsbG8saGFkb29w

test1文件为base64编码后的内容,decode后数据为:

hello,hivehello,worldhello,hadoop

load数据并查询:

hive> LOAD DATA LOCAL INPATH '/home/work/test1.txt' INTO TABLE test4;   Copying data from file:/home/work/test1.txt  Copying file: file:/home/work/test1.txt  Loading data to table default.test4  OK  Time taken: 4.742 seconds  hive> select * from test4;  OK  hello,hive  hello,world  hello,hadoop  Time taken: 1.953 seconds

 

总结

相比TEXTFILE和SEQUENCEFILE,RCFILE由于列式存储方式,数据加载时性能消耗较大,但是具有较好的压缩比和查询响应。数据仓库的特点是一次写入、多次读取,因此,整体来看,RCFILE相比其余两种格式具有较明显的优势。

 

转自 http://blog.csdn.net/yfkiss/article/details/7787742

你可能感兴趣的文章
Linux设备驱动程序学习(3)-并发和竞态
查看>>
Linux设备驱动程序学习(10)-时间、延迟及延缓操作
查看>>
Linux设备驱动程序学习(10)-时间、延迟及延缓操作(Jit.c)
查看>>
Linux设备驱动程序学习(10)-时间、延迟及延缓操作(Jiq.c)
查看>>
Linux设备驱动程序学习(7)-内核的数据类型
查看>>
Linux设备驱动程序学习(7)-内核的数据类型(深入分析Linux内核链表)
查看>>
Linux设备驱动程序学习(4)-高级字符驱动程序操作[(1)ioctl and llseek]
查看>>
java收发邮件之javamail
查看>>
Dom4j解析String类型的xml数据
查看>>
eclipse中jetty之简单使用
查看>>
关于 Unable to resolve dependency for ':app@debugAndroidTest/compileClasspath' 报错
查看>>
12.04
查看>>
Android.mk
查看>>
av life circle
查看>>
Android工程的编译过程
查看>>
android 单元测试
查看>>
android-framework build
查看>>
Dalvik Optimization and Verification With dexopt
查看>>
Android WindowManagerService的整体结构分析
查看>>
挂包袱现象
查看>>