Hive資料壓縮筆記 Hive資料壓縮

本文介紹Hadoop系統中Hive資料壓縮方案的比較結果及具體壓縮方法。

關于Hadoop HDFS檔案的壓縮格式選擇，我們通過多個真實的Track資料做測試，得出結論如下：

1.  系統的預設壓縮編碼方式 DefaultCodec 無論在壓縮性能上還是壓縮比上，都優于GZIP 壓縮編碼。這一點與網上的一些觀點不大一緻，網上不少人認為GZIP的壓縮比要高一些，估計和Cloudera的封裝及我們Track的資料類型有關。

2.  Hive檔案的RCFile 的在壓縮比，壓縮效率，及查詢效率上都優于SEQENCE FILE (包括RECORD, BLOCK 級别) 。

3.  所有壓縮檔案均可以正常解壓為TEXT 檔案，但比原始檔案略大，可能是行列重組造成的。

關于壓縮檔案對于其他元件是适用性如下：

1.  Pig 不支援任何形式的壓縮檔案。

2.  Impala 目前支援SequenceFile的壓縮格式，但還不支援RCFile的壓縮格式。

綜上所述：

從壓縮及查詢的空間和時間性能上來說，DefaultCodeC + RCFile的壓縮方式均為最優，但使用該方式，會使得Pig 和Impala 無法使用（Impala的不相容不确定是否是暫時的）。

而DefaultCodeC+ SequenceFile 在壓縮比，查詢性能上略差于RCFile (壓縮比約 6:5), 但可以支援 Impala實時查詢。

推薦方案：

 采用RCFile 方式壓縮曆史資料。FackBook全部hive表都用RCFile存資料。

隻需要兩步：

1.      建立表時指定壓縮方式，預設不壓縮，以下為示例：

create external table track_hist(

id bigint, url string, referer string, keyword string, type int, gu_idstring,

…/*此處省略中間部分字段*/ …, string,ext_field10 string)

partitioned by (ds string) stored as RCFile location '/data/share/track_histk' ;

2.  插入資料是設定立即壓縮

SET hive.exec.compress.output=true;

insert overwrite table track_histpartition(ds='2013-01-01')

select id,url, …/*此處省略中間部分字段*/ …, ext_field10 fromtrackinfo

where ds='2013-01-01';

在hive-site.xml中設定：

<property>

 <name>hive.default.fileformat</name>

 <value>RCFile</value>

 <description>Default file format for CREATE TABLE statement.Options are TextFile and SequenceFile. Users can explicitly say CREAT

E TABLE ... STORED AS<TEXTFILE|SEQUENCEFILE> to override</description>

</property>

 <name>hive.exec.compress.output</name>

 <value>true</value>

 <description> This controls whether the final outputs of a query(to a local/hdfs file or a hive table) is compressed. The compres

sion codec and other options are determinedfrom hadoop config variables mapred.output.compress* </description>

1、Map階段輸出不進行壓縮

2、對輸出文本進行處理時不壓縮