Hive文件存储格式

2019-02-10

1 列存储和行存储

列存储和行存储

行存储的特点： 查询满足条件的一整行数据的时候，列存储则需要去每个聚集的字段找到对应的每个列的值，行存储只需要找到其中一个值，其余的值都在相邻地方，所以此时行存储查询的速度更快。
- 优点：
  - 相关的数据是保存在一起，比较符合面向对象的思维，因为一行数据就是一条记录；
  - 这种存储格式比较方便进行INSERT/UPDATE操作。
- 缺点：
  - 如果查询只涉及某几个列，它会把整行数据都读取出来，不能跳过不必要的列读取。当然数据比较少，一般没啥问题，如果数据量比较大就比较影响性能；
  - 由于每一行中，列的数据类型不一致，导致不容易获得一个极高的压缩比，也就是空间利用率不高；
  - 不是所有的列都适合作为索引。
列存储的特点： 因为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；每个字段的数据类型一定是相同的，列式存储可以针对性的设计更好的压缩算法。
- 优点：
  - 查询时，只有涉及到的列才会被查询，不会把所有列都查询出来，即可以跳过不必要的列查询；
  - 高效的压缩率，不仅节省储存空间也节省计算内存和CPU；
  - 任何列都可以作为索引。
- 缺点：
  - INSERT/UPDATE很麻烦或者不方便；
  - 不适合扫描小量的数据。

textfile：textfile为默认格式，存储方式为行存储。
ORCFile：hive/spark都支持这种存储格式，它存储的方式是采用数据按照行分块，每个块按照列存储，其中每个块都存储有一个索引。特点是数据压缩率非常高。使用ORC文件格式可以提高hive读、写和处理数据的能力。

每个ORC文件由1个或多个stripe组成，每个stripe为250MB大小，每个Stripe里有三部分组成，分别是Index Data,Row Data,Stripe Footer。
- Index Data：一个轻量级的index，默认是每隔1W行做一个索引。这里做的索引应该只是记录某行的各字段在Row Data中的offset，还包括每个Column的max和min值所在的行。
- Row Data：存的是具体的数据，和RCfile一样，先取部分行，然后对这些行按列进行存储。与RCfile不同的地方在于每个列进行了编码，分成多个Stream来存储。
- Stripe Footer：存的是各个Stream的类型，长度等信息。
Parquet：Parquet也是一种列式存储格式，具有很好的压缩性能；可以减少大量的表扫描和反序列化的时间。

其中TEXTFILE为默认格式，建表时不指定默认为这个格式，导入数据时会直接把数据文件拷贝到hdfs上不进行处理；ORCFILE，Parquet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，然后再从表中用insert导入ORCFile，Parquet表中。