Hive實踐分享之存儲和壓縮的坑
在學習大數(shù)據(jù)技術的過程中，HIVE是非常重要的技術之一，但我們在項目上經(jīng)常會遇到一些存儲和壓縮的坑，本文通過科多大數(shù)據(jù)的武老師整理，分享給大家。
大家都知道，由于集群資源有限，我們一般都會針對數(shù)據(jù)文件的「存儲結構」和「壓縮形式」進行配置優(yōu)化。在我實際查看以后，發(fā)現(xiàn)集群的文件存儲格式為Parquet，一種列式存儲引擎，類似的還有ORC。而文件的壓縮形式為Snappy。具體的操作形式如下：
① 創(chuàng)建Parquet結構的表(Hive 0.13 and later)：
- CREATE TABLE CRM.DEMO(A INT) STORED AS PARQUET ;
② 確認表的文件存儲格式：
- desc formatted crm.demo;
結果輸出如下
- # Storage Information
- SerDe Library: org.apache.hadoop.hive.ql.io.parquet.serde.ParquetHiveSerDe
- InputFormat: org.apache.hadoop.hive.ql.io.parquet.MapredParquetInputFormat
- OutputFormat: org.apache.hadoop.hive.ql.io.parquet.MapredParquetOutputFormat
③ 創(chuàng)建Snappy壓縮格式的Parquet結構的表(待考察)：
- ALTER TABLE crm.demo SET TBLPROPERTIES ('parquet.compression'='SNAPPY') ;
或，寫入時
- SET parquet.compression=SNAPPY ;
回到最初的問題，如果是按Snappy壓縮的格式，這份用戶行為數(shù)據(jù)沒辦法分析了，因此有兩種辦法去解決：
① 安裝Snappy的解壓工具
可自行百度，由于沒有權限，所以這條路行不通;
② 更改數(shù)據(jù)的壓縮格式可以
最初我試了一下更改Parquet格式表的壓縮格式，但是沒有用!因為我最后是需要將查詢數(shù)據(jù)導出到本地文件系統(tǒng)，如下語句所示：
- insert overwrite local directory '/home/etl/tmp/data'
- select *
- from crm.demo
所以，通過這樣的形式得到的數(shù)據(jù)，壓縮格式依然是. Snappy。因此，這里就需要配置Hive執(zhí)行過程中的中間數(shù)據(jù)和最終數(shù)據(jù)的壓縮格式。
如MapReduce的shuffle階段對mapper產(chǎn)生的中間結果數(shù)據(jù)壓縮：
- hive> set mapred.map.output.compression.codec;
- mapred.map.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec
如對最終生成的Hive表的數(shù)據(jù)壓縮：
- hive> set mapred.output.compression.codec;
- mapred.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec
這里，我們要設置結果表數(shù)據(jù)的壓縮格式，語句如下：
- set mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec;
最終的結果就是 .gz 的壓縮格式
- -rw-r--r-- 1 etl etl 342094 May 10 11:13 000000_0.gz
最后，我們直接下載到電腦本地，直接解壓就可以通過Excel分析用戶行為路徑數(shù)據(jù)了。
總結：從Hive應用層的角度來說，關于數(shù)據(jù)文件的「存儲結構」和「壓縮形式」，這兩個點我們不需要關心，只是在導出數(shù)據(jù)的時候需要結合文件大小，以及數(shù)據(jù)類型去設置合適的壓縮格式。不過從Hive底層維護的角度來說，涉及到各種各樣的「存儲結構」和「壓縮形式」，都需要開發(fā)者去研究和調整，這樣才能保證集群上的文件在「時間」和「空間」上相對平衡。
