Apache Hive支持Apache Hadoop中使用的几种熟悉的文件格式,如 TextFile,RCFile,SequenceFile,AVRO,ORC和Parquet 格式。ClouderaImpala也支持这些文件格式。在建表时使用 STORED AS ( TextFile|RCFile|SequenceFile|AVRO|ORC|Parquet ) 来指定存储格式 。
TextFile 每一行都是一条记录,每行都以换行符(\ n)结尾。 数据不做压缩,磁盘开销大,数据解析开销大。可结合Gzip、Bzip2使用(系统自动检查,执行查询时自动解压),但使用这种方式,hive不会对数据进行切分,从而无法对数据进行并行操作。
SequenceFile 是Hadoop API提供的一种二进制文件支持,其具有使用方便、可分割、可压缩的特点。支持三种压缩选择:NONE, RECORD, BLOCK。 Record压缩率低,一般建议使用BLOCK压缩。
RCFile是一种行列存储相结合的存储方式。首先,其将数据按行分块,保证同一个record在一个块上,避免读一个记录需要读取多个block。其次,块数据列式存储,有利于数据压缩和快速的列存取。
AVRO是开源项目,为Hadoop提供数据序列化和数据交换服务。您可以在Hadoop生态系统和以任何编程 语言编写的程序之间交换数据。Avro是基于大数据Hadoop的应用程序中流行的文件格式之一。 ORC 文件代表了优化排柱状的文件格式。ORC文件格式提供了一种将数据存储在Hive表中的高效方法。这个文件系统实际上是为了克服其他Hive文件格式的限制而设计的。Hive从大型表读取,写入和处理数据时,使用ORC文件可以提高性能。
Parquet是一个面向列的二进制文件格式。Parquet 对于大型查询的类型是高效的。对于扫描特定表格中的特定列的查询,Parquet 特别有用。Parquet桌子使用压缩Snappy,gzip;目前Snappy默认。
存储格式对比 存储格式 存储方式 特点 TextFile 行存储 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 行存储 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 RCFile 数据按行分块 每块按照列存储 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。
压缩快 快速列存取。
读记录尽量涉及到的block最少
读取需要的列只需要读取每个row group 的头部定义。
读取全量数据的操作 性能可能比sequencefile没有明显的优势
ORCFile 数据按行分块 每块按照列存储 压缩快,快速列存取,效率比rcfile高,是rcfile的改良版本 Parquet 列存储 相对于PRC,Parquet压缩比较低,查询效率较低,不支持update、insert和ACID.但是Parquet支持Impala查询引擎
Parquet与ORC对比 Parquet
http://parquet.apache.org
Orc
http://orc.apache.org
发展状态 目前都是Apache开源的顶级项目,列式存储引擎 目前都是Apache开源的顶级项目,列式存储引擎 开发语言 Java Java 主导公司 Twitter/Cloudera Hortonworks ACID
不支持 支持ACID事务 修改操作(update,delete) 不支持 支持 支持索引 (统计信息)
粗粒度索引
block/group/chunk级别统计信息
粗粒度索引
file/stripe/row级别统计信息,
不能精确到列建立索引
支持的查询引擎 Apache Drill、Impala Apache Hive 查询性能 Orc性能更高一点 Orc性能更高一点 压缩比 Orc压缩比更高(见下图) Orc压缩比更高(见下图) 列编码 支持多种编码,字典,RLE,Delta等 支持主流编码,与Parquet类似
总结:如果仅仅是在HIve中存储和查询,建议使用ORC格式,如果在Hive中存储,而使用Impala查询,建议使用Parquet。
参考资料: