hive存储格式

hive文件的存储格式：textfile、sequencefile、rcfile、自定义格式

1.textfile
    textfile,即是文本格式，默认格式，数据不做压缩，磁盘开销大，数据解析开销大

    对应hive API为org.apache.hadoop.mapred.TextInputFormat和org.apache.hadoop.hive.ql.io.HiveIgnoreKeyTextOutputFormat。

2.sequencefile
  sequencefile，是Hadoop提供的一种二进制文件格式是Hadoop支持的标准文件格式（其他生态系统并不适用），
  可以直接将对序列化到文件中,所以sequencefile文件不能直接查看，可以通过Hadoop fs -text查看。
  具有使用方便，可分割，可压缩，可进行切片。压缩支持NONE, RECORD, BLOCK(优先)等格式，可进行切片。

     对应hive API为org.apache.hadoop.mapred.SequenceFileInputFormat和org.apache.hadoop.hive.ql.io.HiveSequenceFileOutputFormat。
 

3.rcfile
 大多数的Hadoop和hive存储是行式储存，在大多数环境下比较高效，因为大多数表具有的字段个数都不会很大，
 且文件按块压缩对于需要处理重复数据的情况比较高效，同时处理和调试工具(more、head、awk)都能很好的适应行式存储的数据。
   但当需要操作的表有成百上千个字段，而操作只有一小部分字段时，这往往会造成很大的浪费。
 而此时若是采取列式存储只操作需要的列便可以大大提高性能。

    rcfile是一种行列存储相结合的存储方式，先将数据按行分块再按列式存储，保证同一条记录在一个块上，避免读取多个块，
 有利于数据压缩和快速进行列存储。

     对应hive API为org.apache.hadoop.hive.ql.io.RCFileInputFormat和org.apache.hadoop.hive.ql.io.RCFileOutputFormat。

 行存储

    基于Hadoop系统行存储结构的优点在于快速数据加载和动态负载的高适应能力，这是因为行存储保证了相同记录的所有域

    都在同一个集群节点，即同一个HDFS块。不过，行存储的缺点也是显而易见的，它不能支持快速查询处理，

    因为当查询仅仅针对多列表中的少数几列时，它不能跳过不必要的列读取；此外由于混合着不同数据值的列，

    行存储不易获得极高的压缩比，即空间利用率不易大幅提高。尽管通过熵编码和利用列相关性能够获得一个较好的压缩比，

    但是复杂数据存储实现会导致解压开销增大。
   

  下图显示了在HDFS上按照列组存储表格的例子。在图中，列A和列B存储在同一列组，而列C和列D分别存储在单独的列组。

  查询时列存储能够避免读不必要的列，并且压缩一个列中的相似数据能够达到较高的压缩比。然而由于元组重构的较高开销，

  它并不能提供基于Hadoop系统的快速查询处理。列存储不能保证同一记录的所有域都存储在同一集群节点，

  记录的4个域存储在位于不同节点的3个HDFS块中。因此，记录的重构将导致通过集群节点网络的大量数据传输。

  尽管预先分组后，多个列在一起能够减少开销，但是对于高度动态的负载模式，它并不具备很好的适应性。

  除非所有列组根据可能的查询预先创建，否则对于一个查询需要一个不可预知的列组合，一个记录的重构或许需要2个或

  多个列组。再者由于多个组之间的列交叠，列组可能会创建多余的列数据存储，这导致存储利用率的降低。

  

  下图是一个 HDFS块内RCFile方式存储的例子。RCFile（Record Columnar File）存储结构遵循的是“先水平划分，

  再垂直划分”的设计理念，它结合了行存储和列存储的优点：首先，RCFile保证同一行的数据位于同一节点，

  因此元组重构的开销很低；其次，像列存储一样，RCFile能够利用列维度的数据压缩，并且能跳过不必要的列读取。

  

四.ORCfile
    orcfile是对rcfile的优化，可以提高hive的读、写、数据处理性能，提供更高的压缩效率。和RCFile格式相比，

    ORC File格式有以下优点：
    (1)、每个task只输出单个文件，这样可以减少NameNode的负载；
    (2)、支持各种复杂的数据类型，比如： datetime, decimal,以及一些复杂类型(struct, list, map, and union)；
    (3)、在文件中存储了一些轻量级的索引数据；
    (4)、基于数据类型的块模式压缩:

   1).integer类型的列用行程长度编码(run-length encoding);

          2).String类型的列用字典编码(dictionaryencoding)；
    (5)、用多个互相独立的RecordReaders并行读相同的文件；
    (6)、无需扫描markers就可以分割文件；
    (7)、绑定读写所需要的内存；
    (8)、metadata的存储是用 Protocol Buffers的，所以它支持添加和删除一些列。
    ORCFile文件结构
     ORC File包含一组组的行数据，称为stripes，除此之外，ORCFile的file footer还包含一些额外的辅助信息。

  在ORC File文件的最后，
  有一个被称为postscript的区，它主要是用来存储压缩参数及压缩页脚的大小。
       在默认情况下，一个stripe的大小为250MB。大尺寸的stripes使得从HDFS读数据更高效。
　 在file footer里面包含了该ORC File文件中stripes的信息，每个stripe中有多少行，以及每列的数据类型。
  当然，它里面还包含了列级别的一些聚合的结果，比 如：count, min, max, and sum。下图显示出可ORC File文件结构：
 

  Stripe结构

　 从上图我们可以看出，每个Stripe都包含index data、rowdata以及stripe footer。Stripefooter包含流位置的目录；
  Row data在表扫描的时候会用到。Index data包含每列的最大和最小值以及每列所在的行。行索引里面提供了偏移量，
  它可以跳到正确的压缩块位置。具有相对频繁的行索引，使得在stripe中快 速读取的过程中可以跳过很多行，

  尽管这个stripe的大小很大。
  在默认情况下，最大可以跳过10000行。拥有通过过滤谓词而跳过大量的行的能力，你可 以在表的 secondarykeys进行排序，
  从而可以大幅减少执行时间。比如你的表的主分区是交易日期，那么你可以对次分区（state、zip code以及last name）

  进行排序。

五.自定义格式

  若当前数据文件格式不能被当前hive所识别时，可以自定义文件格式，

  用户可通过实现InputFormat和OutputFormat来自定义输入输出格式。

六.总结

    textfile 存储空间消耗比较大，并且压缩的text无法分割和合并查询的效率最低,可以直接存储，加载数据的速度最高

    sequencefile 存储空间消耗最大,压缩的文件可以分割和合并查询效率高，需要通过text文件转化来加载

    orcfile, rcfile存储空间最小，查询的效率最高，需要通过text文件转化来加载，加载的速度最低.

    orcfile, rcfile较有优势，orcfile,rcfile具备相当于行存储的数据加载和负载适应能力，扫描表时避免不必要的列读取，
 拥有比其他结构更好的性能，而使用列维度的压缩，能有效提升存储空间利用率。

 但orcfile, rcfile数据加载是性能损失较大，但由于hdfs一次写入多次读写，所以损失可以接受。

    SequenceFile,ORCFile(ORC)，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表中导入到SequenceFile,ORCFile(ORC)，rcfile表中。