[TOC] # 文件存储格式 hive支持的存储数的格式主要有: TEXTFILE, SEQUENCEFILE, ORC, PARQUET # 列式存储和行式存储  上图左边为逻辑表,右边第一个为行式存储,第二个为列式存储 **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 **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PAROUET是基于列存储的** # TextFile格式 默认格式,数据不做压缩,磁盘开销最大.可结合Gzip,Bzip2使用.当使用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 # Orc格式 Orc是hive 0.11版本里引入的新的存储格式 可以看到每个Orc文件由1个或多个stripe组成,每个stripe 250MB大小,这个stripe实际相当于RowGroup概念,不过大小由4MB->250MB,这样应该能提升顺序读的吞吐率. 每个Stripe里有三部分,分别是Index Data,Row Data,Stripe Footer:  先按行切换,每个行250MB大小.内部数据是按照列存储的. 每个块中有索引和行数据,块中的是按列存储的 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 # Parquet格式 Parquet是面向分析型业务的列式存储格式 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** 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文件的格式如下:  先按行分割,再按列压缩 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 # 主流文件存储格式对比 ~~~ create table log( url string, ip string ) row format delimited fields terminated by '\t' stored as parquet; ~~~ stored as 这边可以写存储格式 然后load载入数据 然后查看表中数据大小 ~~~ hive> dfs -du -h /user/hive/warehouse/log; ~~~ 存储文件压缩比总结: ORC > Parquet > textFile 存储文件查询时间总结:查询速度相近