Hive支持的文件格式与压缩算法

[[194194]]

概述

只要是配置了正确的文件类型和压缩类型(比如Textfile+Gzip、SequenceFile+Snappy等)，Hive都可以按预期读取并解析数据，提供SQL功能。

SequenceFile本身的结构已经设计了内容进行压缩。所以对于SequenceFile文件的压缩，并不是先生成SequenceFile文件，再对文件进行压缩。而是生成SequenceFile文件时，对其中的内容字段进行压缩。最终压缩后，对外仍体现为一个SequenceFile。

RCFile、ORCFile、Parquet、Avro对于压缩的处理方式与SequenceFile相同。

文件格式

1. Textfile
2. SequenceFile
3. RCFile
4. ORCFile
5. Parquet
6. Avro

压缩算法的编解码器

TEXTFILE

--创建一个表，格式为文本文件： 
CREATE EXTERNAL TABLE student_text (id STRING, name STRING) 
ROW FORMAT DELIMITED  
    FIELDS TERMINATED BY ','  
    LINES TERMINATED BY '\n' 
STORED AS TEXTFILE; 
--导入数据到此表中,将启动MR任务 
INSERT OVERWRITE TABLE student_text SELECT * FROM student; 

可查看到生成的数据文件的格式为非压缩的文本文件：

hdfs dfs -cat /user/hive/warehouse/student_text/000000_0 
 
1001810081,cheyo 
1001810082,pku 
1001810083,rocky 
1001810084,stephen 
2002820081,sql 
2002820082,hello 
2002820083,hijj 
3001810081,hhhhhhh 
3001810082,abbbbbb 

文本文件,DEFLATE压缩

--创建一个表，格式为文件文件： 
CREATE TABLE student_text_def (id STRING, name STRING) 
ROW FORMAT DELIMITED 
    FIELDS TERMINATED BY ',' 
    LINES TERMINATED BY '\n' 
STORED AS TEXTFILE; 
--设置压缩类型为Gzip压缩 
SET hive.exec.compress.output=true; 
SET mapred.output.compress=true; 
SET mapred.output.compression.codec=org.apache.hadoop.io.compress.DefaultCodec;  
--导入数据： 
INSERT OVERWRITE TABLE student_text_def SELECT * FROM student; 
--查看数据 
SELECT * FROM student_text_def; 

查看数据文件,可看到数据文件为多个.deflate文件。

hdfs dfs -ls /user/hive/warehouse/student_text_def/ 
-rw-r--r--   2015-09-16 12:48 /user/hive/warehouse/student_text_def/000000_0.deflate 
-rw-r--r--   2015-09-16 12:48 /user/hive/warehouse/student_text_def/000001_0.deflate 
-rw-r--r--   2015-09-16 12:48 /user/hive/warehouse/student_text_def/000002_0.deflate 

文本文件,Gzip压缩

--创建一个表，格式为文件文件： 
CREATE TABLE student_text_gzip (id STRING, name STRING) 
ROW FORMAT DELIMITED 
    FIELDS TERMINATED BY ',' 
    LINES TERMINATED BY '\n' 
STORED AS TEXTFILE; 
--设置压缩类型为Gzip压缩 
SET hive.exec.compress.output=true; 
SET mapred.output.compress=true; 
SET mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec; 
--导入数据： 
INSERT OVERWRITE TABLE student_text_gzip SELECT * FROM student; 
--查看数据 
SELECT * FROM student_text_gzip; 

查看数据文件,可看到数据文件为多个.gz文件。解开.gz文件，可以看到明文文本：

hdfs dfs -ls /user/hive/warehouse/student_text_gzip/ 
-rw-r--r--  2015-09-15 10:03 /user/hive/warehouse/student_text_gzip/000000_0.gz 
-rw-r--r--  2015-09-15 10:03 /user/hive/warehouse/student_text_gzip/000001_0.gz 
-rw-r--r--  2015-09-15 10:03 /user/hive/warehouse/student_text_gzip/000002_0.gz 

文本文件,Bzip2压缩

--创建一个表，格式为文件文件： 
CREATE TABLE student_text_bzip2 (id STRING, name STRING) 
ROW FORMAT DELIMITED 
    FIELDS TERMINATED BY ',' 
    LINES TERMINATED BY '\n' 
STORED AS TEXTFILE; 
--设置压缩类型为Bzip2压缩： 
SET hive.exec.compress.output=true; 
SET mapred.output.compress=true; 
SET mapred.output.compression.codec=org.apache.hadoop.io.compress.BZip2Codec; 
--导入数据 
INSERT OVERWRITE TABLE student_text_bzip2 SELECT * FROM student; 
--查看数据： 
SELECT * FROM student_text_bzip2; 

查看数据文件,可看到数据文件为多个.bz2文件。解开.bz2文件，可以看到明文文本：

hdfs dfs -ls /user/hive/warehouse/student_text_bzip2 
-rw-r--r--  2015-09-15 10:09 /user/hive/warehouse/student_text_bzip2/000000_0.bz2 
-rw-r--r--  2015-09-15 10:09 /user/hive/warehouse/student_text_bzip2/000001_0.bz2 
-rw-r--r--  2015-09-15 10:09 /user/hive/warehouse/student_text_bzip2/000002_0.bz2 

文本文件,lzo压缩

--创建表 
CREATE TABLE student_text_lzo (id STRING, name STRING) 
ROW FORMAT DELIMITED 
    FIELDS TERMINATED BY ',' 
    LINES TERMINATED BY '\n' 
STORED AS TEXTFILE; 
--设置为LZO压缩 
SET hive.exec.compress.output=true; 
SET mapred.output.compress=true; 
SET mapred.output.compression.codec=com.hadoop.compression.lzo.LzopCodec; 
--导入数据 
INSERT OVERWRITE TABLE student_text_lzo SELECT * FROM student; 
--查询数据 
SELECT * FROM student_text_lzo; 

查看数据文件,可看到数据文件为多个.lzo压缩。解开.lzo文件，可以看到明文文本。

未实测,需要安装lzop库

文本文件,lz4压缩

--创建表 
CREATE TABLE student_text_lz4 (id STRING, name STRING) 
ROW FORMAT DELIMITED 
    FIELDS TERMINATED BY ',' 
    LINES TERMINATED BY '\n' 
STORED AS TEXTFILE; 
--设置为LZ4压缩 
SET hive.exec.compress.output=true; 
SET mapred.output.compress=true; 
SET mapred.output.compression.codec=org.apache.hadoop.io.compress.Lz4Codec; 
--导入数据 
INSERT OVERWRITE TABLE student_text_lz4 SELECT * FROM student; 

查看数据文件,可看到数据文件为多个.lz4压缩。使用cat查看.lz4文件，可以看到是压缩后的文本。

hdfs dfs -ls /user/hive/warehouse/student_text_lz4 
-rw-r--r-- 2015-09-16 12:06 /user/hive/warehouse/student_text_lz4/000000_0.lz4 
-rw-r--r-- 2015-09-16 12:06 /user/hive/warehouse/student_text_lz4/000001_0.lz4 
-rw-r--r-- 2015-09-16 12:06 /user/hive/warehouse/student_text_lz4/000002_0.lz4 

文本文件,Snappy压缩

--创建表 
CREATE TABLE student_text_snappy (id STRING, name STRING) 
ROW FORMAT DELIMITED 
    FIELDS TERMINATED BY ',' 
    LINES TERMINATED BY '\n' 
STORED AS TEXTFILE; 
--设置压缩 
SET hive.exec.compress.output=true; 
SET mapred.compress.map.output=true; 
SET mapred.output.compress=true; 
SET mapred.output.compression=org.apache.hadoop.io.compress.SnappyCodec; 
SET mapred.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec; 
SET io.compression.codecs=org.apache.hadoop.io.compress.SnappyCodec; 
--导入数据 
INSERT OVERWRITE TABLE student_text_snappy SELECT * FROM student; 
--查询数据 
SELECT * FROM student_text_snappy; 

查看数据文件,可看到数据文件为多个.snappy压缩文件。使用cat查看.snappy文件，可以看到是压缩后的文本:

hdfs dfs -ls /user/hive/warehouse/student_text_snappy 
Found 3 items 
-rw-r--r--   2015-09-15 16:42 /user/hive/warehouse/student_text_snappy/000000_0.snappy 
-rw-r--r--   2015-09-15 16:42 /user/hive/warehouse/student_text_snappy/000001_0.snappy 
-rw-r--r--   2015-09-15 16:42 /user/hive/warehouse/student_text_snappy/000002_0.snappy 

SEQUENCEFILE

Sequence文件,DEFLATE压缩

--创建一个表，格式为文件文件： 
CREATE TABLE student_seq_def (id STRING, name STRING) 
ROW FORMAT DELIMITED 
    FIELDS TERMINATED BY ',' 
    LINES TERMINATED BY '\n' 
STORED AS SEQUENCEFILE; 
--设置压缩类型为Gzip压缩 
SET hive.exec.compress.output=true; 
SET mapred.output.compress=true; 
SET mapred.output.compression.codec=org.apache.hadoop.io.compress.DefaultCodec;  
--导入数据： 
INSERT OVERWRITE TABLE student_seq_def SELECT * FROM student; 
--查看数据 
SELECT * FROM student_seq_def; 

查看数据文件,是一个密文的文件.

hdfs dfs -ls /user/hive/warehouse/student_seq_def/ 
-rw-r--r--  /user/hive/warehouse/student_seq_def/000000_0 

Sequence文件,Gzip压缩

--创建一个表，格式为文件文件： 
CREATE TABLE student_seq_gzip (id STRING, name STRING) 
ROW FORMAT DELIMITED 
    FIELDS TERMINATED BY ',' 
    LINES TERMINATED BY '\n' 
STORED AS SEQUENCEFILE; 
--设置压缩类型为Gzip压缩 
SET hive.exec.compress.output=true; 
SET mapred.output.compress=true; 
SET mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec; 
--导入数据： 
INSERT OVERWRITE TABLE student_seq_gzip SELECT * FROM student; 
--查看数据 
SELECT * FROM student_seq_gzip; 

查看数据文件,是一个密文的文件，无法通过gzip解压：

hdfs dfs -ls /user/hive/warehouse/student_seq_gzip/ 
-rw-r--r--  /user/hive/warehouse/student_seq_gzip/000000_0 

RCFILE

RCFILE,Gzip压缩

CREATE TABLE student_rcfile_gzip (id STRING, name STRING) 
ROW FORMAT DELIMITED 
    FIELDS TERMINATED BY ',' 
    LINES TERMINATED BY '\n' 
STORED AS RCFILE; 
 
--设置压缩类型为Gzip压缩 
SET hive.exec.compress.output=true; 
SET mapred.output.compress=true; 
SET mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec; 
--导入数据： 
INSERT OVERWRITE TABLE student_rcfile_gzip SELECT id,name FROM student; 
--查看数据 
SELECT * FROM student_rcfile_gzip; 

ORCFile

ORCFile有自己的参数设置压缩格式，一般不使用上述Hive参数设置压缩参数。

ORCFile,ZLIB压缩

--创建表 
CREATE TABLE student_orcfile_zlib (id STRING, name STRING) 
ROW FORMAT DELIMITED 
    FIELDS TERMINATED BY ',' 
    LINES TERMINATED BY '\n' 
STORED AS ORCFILE TBLPROPERTIES ("orc.compress"="ZLIB"); 
 
--导入数据 
INSERT OVERWRITE TABLE student_orcfile_zlib SELECT id,name FROM student; 
--查询数据 
SELECT * FROM student_orcfile_zlib; 

ORCFILE,Snappy压缩

--创建表 
CREATE TABLE student_orcfile_snappy2 (id STRING, name STRING) 
ROW FORMAT DELIMITED 
    FIELDS TERMINATED BY ',' 
    LINES TERMINATED BY '\n' 
STORED AS ORCFILE TBLPROPERTIES ("orc.compress"="SNAPPY"); 
 
--导入数据 
INSERT OVERWRITE TABLE student_orcfile_snappy2 SELECT id,name FROM student; 
--查询数据 
SELECT * FROM student_orcfile_snappy2; 

一般不使用下述方式。下述方式压缩后，结果与上述同类型压缩(SNAPPY)不同。具体原因待进一步研究。

--创建表 
CREATE TABLE student_orcfile_snappy (id STRING, name STRING) 
ROW FORMAT DELIMITED 
    FIELDS TERMINATED BY ',' 
    LINES TERMINATED BY '\n' 
STORED AS ORCFILE; 
--设置压缩 
SET hive.exec.compress.output=true; 
SET mapred.compress.map.output=true; 
SET mapred.output.compress=true; 
SET mapred.output.compression=org.apache.hadoop.io.compress.SnappyCodec; 
SET mapred.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec; 
SET io.compression.codecs=org.apache.hadoop.io.compress.SnappyCodec; 
--导入数据 
INSERT OVERWRITE TABLE student_orcfile_snappy SELECT id,name FROM student; 
--查询数据 
SELECT * FROM student_orcfile_snappy; 

Parquet

Parquet,Snappy压缩

--创建表 
CREATE TABLE student_parquet_snappy (id STRING, name STRING) 
ROW FORMAT DELIMITED 
    FIELDS TERMINATED BY ',' 
    LINES TERMINATED BY '\n' 
STORED AS PARQUET; 
--设置压缩 
SET hive.exec.compress.output=true; 
SET mapred.compress.map.output=true; 
SET mapred.output.compress=true; 
SET mapred.output.compression=org.apache.hadoop.io.compress.SnappyCodec; 
SET mapred.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec; 
SET io.compression.codecs=org.apache.hadoop.io.compress.SnappyCodec; 
--导入数据 
INSERT OVERWRITE TABLE student_parquet_snappy SELECT id,name FROM student; 
--查询数据 
SELECT * FROM student_parquet_snappy; 

Avro

Avro,Snappy压缩

--创建表 
CREATE TABLE student_avro_snappy (id STRING, name STRING) 
ROW FORMAT DELIMITED 
    FIELDS TERMINATED BY ',' 
    LINES TERMINATED BY '\n' 
STORED AS AVRO; 
--设置压缩 
SET hive.exec.compress.output=true; 
SET mapred.compress.map.output=true; 
SET mapred.output.compress=true; 
SET mapred.output.compression=org.apache.hadoop.io.compress.SnappyCodec; 
SET mapred.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec; 
SET io.compression.codecs=org.apache.hadoop.io.compress.SnappyCodec; 
--导入数据 
INSERT OVERWRITE TABLE student_avro_snappy SELECT id,name FROM student; 
--查询数据 
SELECT * FROM student_avro_snappy;