hive 的数据压缩处理

hive的部分

• MapReduce 的数据压缩
• hive 的数据压缩
• hive 支持的文件格式
• hive日志分析,各种压缩的对比
• hive 的函数HQL 查询

一： mapreduce 的压缩

- mapreduce 压缩 主要是在shuffle阶段的优化。
shuffle 端的
--partition （分区）
-- sort     （排序）
-- combine   (合并)
-- compress  (压缩)
-- group     （分组）
在mapreduce 优化shuffle 从本质上是解决磁盘的IO 与网络IO 问题。
减少 集群件的文件传输处理。

二： hive 的压缩：

压缩的和解压需要cpu的，hive 的常见的压缩格式：
bzip2,gzip,lzo,snappy等
cdh 默认采用的压缩是snappy
压缩比：bzip2 > gzip > lzo bzip2 最节省存储空间。
 注意： sanppy 的并不是压缩比最好的
解压速度： lzo > gzip > bzip2 lzo 解压速度是最快的。
注意：追求压缩速率最快的sanppy
压缩的和解压需要cpu 损耗比较大。
集群分： cpu 的密集型 （通常是计算型的网络）
         hadoop 是 磁盘 IO 和 网络IO 的密集型， 网卡的双网卡绑定。

三： hadoop 的检查 是否支持压缩命令

bin/hadoop checknative 

3.1 安装使支持压缩：

tar -zxvf 2.5.0-native-snappy.tar.gz -C /home/hadoop/yangyang/hadoop/lib/native

3.2 命令检测：

bin/hadoop checknative 

3.3 mapreduce 支持的压缩：

CodeName:
zlib : org.apache.hadoop.io.compress.DefaultCodec
gzip : org.apache.hadoop.io.compress.GzipCodec
gzip2: org.apache.hadoop.io.compress.Bzip2Codec
lzo  : org.apache.hadoop.io.compress.LzoCodec
lz4  : org.apache.hadoop.io.compress.Lz4Codec
snappy: org.apache.hadoop.io.compress.SnappyCodec

3.4 mapreduce 执行作业临时支持压缩两种方法：

1.在执行命令时候运行。

-Dmapreduce.map.output.compress=true
-Dmapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.DefaultCodec

如：

bin/yarn jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.5.0-cdh5.3.6.jar wordcount -Dmapreduce.map.output.compress=true -Dmapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.DefaultCodec /input/dept.txt /output1
可以在bin 的前面加一个time， 会在查看运行的时间
测试job 的任务：
1. 测运行job 的总时间
2. 查看压缩的频率，压缩后的文件大小。

2. 更改配置文件：

更改mapred-site.xml 文件

    <property>
        <name>mapreduce.map.output.compress</name>
        <value>true</value>
    </property>
    <property>
        <name>mapreduce.map.output.compress.codec</name>
        <value>org.apache.hadoop.io.compress.DefaultCodec</value>
    </property>
更改完成之后重新启动服务就可以

四. hive的支持压缩

4.1 更改临时参数使其生效

hive > set ---> 查看所有参数
hive > set hive.exec.compress.intermediate=true -- 开启中间 压缩
     > set mapred.map.output.compression.codec = CodeName
     > set hive.exec.compress.output=true
     > set mapred.map.output.compression.type = BLOCK/RECORD 

在hive-site.xml 中去增加相应参数使其永久生效

4.2：hive 支持的文件类型：

4.2.1 行存储与列式存储区别

数据库列存储不同于传统的关系型数据库，其数据在表中是按行存储的，列方式所带来的重要好处之一就是，由于查询中的选择规则是通过列来定义的，因 此整个数据库是自动索引化的。
　　按列存储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，一个字段的数据聚集存储，那就 更容易为这种聚集存储设计更好的压缩/解压算法。

4.2.2 hive 支持的文件类型：

修改hive 的默认文件系列参数：
set hive.default.fileformat=Orc
TextFile:默认的类型，行存储
rcfile:按行块，每块再按列存储
avro:二进制
ORC  rcfile:的升级版，默认是zlib,支持snappy 其格式不支持
parquet  

4.2.3 ORC格式（hive/shark/spark支持）

使用方法：

create table Adress (
name string,
street string,
city string,
state double,
zip int
)stored as orc tblproperties ("orc.compress"="NONE") --->指定压缩算法
row format delimited fields terminated by '\t';

4.2.4 PARQUET格式（twitter+cloudera开源，Hive、Spark、drill，Impala、

Pig等支持）

使用方法：

create table Adress (
name string,
street string,
city string,
state double,
zip int
)stored as parquet ---> 指定文本类型
row format delimited fields terminated by '\t';

五：hive日志分析,各种压缩的对比

5.1 在hive 上面创建表结构：

5.1.1 textfile 类型：

create table page_views_textfile(
track_time string,
url string,
session_id string,
refere string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by '\t'
STORED AS textfile ;   ---> 指定表的文件类型

加载数据到表中

load data local inpath '/home/hadoop/page_views.data' into table page_views_textfile ;

5.1.2 orc 类型：

create table page_views_orc(
track_time string,
url string,
session_id string,
refere string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by '\t'
STORED AS orc ;

插入数据：

insert into table page_views_orc select * from page_views_textfile ;

5.1.3 parquet 类型

create table page_views_parquet(
track_time string,
url string,
session_id string,
refere string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by '\t'
STORED AS parquet ;

插入数据：

insert into table page_views_parquet select * from page_views_textfile ;

六：比较：

6.1 文件大小统计

hive (yangyang)> dfs -du -h /user/hive/warehouse/yangyang.db/page_views_textfile ;
hive (yangyang)> dfs -du -h /user/hive/warehouse/yangyang.db/page_views_orc ;
hive (yangyang)> dfs -du -h /user/hive/warehouse/yangyang.db/page_views_parquet ;

从上面可以看出orc 上生成的表最小。

6.2 查找时间测试比较：

hive (yangyang)> select count(session_id) from  page_views_textfile ; 
hive (yangyang)> select count(session_id) from  page_views_orc;
hive (yangyang)> select count(session_id) from  page_views_parquet;

6.3 textfile 文件类型:

6.4 orc 文件类型:

6.5 parquet 类型：

七 hive 创建表与指定压缩：

7.1 orc+snappy 格式：

create table page_views_orc_snappy(
track_time string,
url string,
session_id string,
refere string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by '\t'
STORED AS orc TBLPROPERTIES("orc.compression"="Snappy");

插入数据：
insert into table page_views_orc_snappy select * from page_views_textfile ;

7.2 parquet+snappy 格式：

set parquet.compression=Snappy ;
set hive.exec.compress.output=true ;
create table page_views_parquet_snappy(
track_time string,
url string,
session_id string,
refere string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by '\t'
STORED AS parquet ;

插入数据：
insert into table page_views_parquet_snappy select * from page_views_textfile ;

7.3 对比测试：

7.3.1 文件大小对比：

hive (yangyang)> dfs -du -h /user/hive/warehouse/yangyang.db/page_views_orc_snappy ;
hive (yangyang)> dfs -du -h /user/hive/warehouse/yangyang.db/page_views_parquent_snappy ;

7.3.2 查询对比：

hive (yangyang)> select count(session_id) from  page_views_orc_snappy;
hive (yangyang)> select count(session_id) from  page_views_parquet_snappy;

八 ：hive 的函数HQL 查询

8.1 case --when--then-else

hive(yangyang)>select ename,
              case
              when comm is null then 0
              else comm end as comm_new
              from emp;

8.1.2 unix_timestamp() 函数：

desc function extended unix_timestamp;

查找时间

select track_time from page_views_textfile limit 2 ;

转换时间：

select unix_timestamp(track_time) from page_views_textfile limit 2 ;