碼代碼檐束,寫程序商佑,總是麻煩一大堆。Hive在存儲(chǔ)和壓縮的時(shí)候厢塘,總是避免不了踩進(jìn)坑里面。今天肌幽,我們一起來看看一位大神Hive實(shí)踐分享:存儲(chǔ)和壓縮的坑晚碾。
這位大神最近在阿里云跑數(shù)據(jù),想分析一下借款用戶的行為路徑軌跡喂急,由于數(shù)據(jù)量級很大格嘁,而且行為數(shù)據(jù)很臟,所以需要將加工數(shù)據(jù)導(dǎo)出到本地文件系統(tǒng)廊移,再下載到電腦上糕簿!結(jié)果發(fā)現(xiàn)數(shù)據(jù)是二進(jìn)制形式壓縮探入,根本沒法看。
大家都知道懂诗,由于集群資源有限蜂嗽,我們一般都會(huì)針對數(shù)據(jù)文件的「存儲(chǔ)結(jié)構(gòu)」和「壓縮形式」進(jìn)行配置優(yōu)化。結(jié)合實(shí)際查看以后殃恒,發(fā)現(xiàn)集群的文件存儲(chǔ)格式為Parquet植旧,一種列式存儲(chǔ)引擎,類似的還有ORC离唐。而文件的壓縮形式為Snappy病附。具體的操作形式如下:①創(chuàng)建Parquet結(jié)構(gòu)的表(Hive?0.13?and?later):CREATE?TABLE?CRM.DEMO(A?INT)?STORED?AS?PARQUET?;②?確認(rèn)表的文件存儲(chǔ)格式:desc?formatted?crm.demo;結(jié)果輸出如下#?Storage?Information ? ?SerDe?Library:org.apache.hadoop.hive.ql.io?.parquet.serde.ParquetHiveSerDe ?InputFormat:org.apache.hadoop.hive.ql.io?.parquet.MapredParquetInputFormat ?OutputFormat:org.apache.hadoop.hive.ql.io?
.parquet.MapredParquetOutputFormat ③?創(chuàng)建Snappy壓縮格式的Parquet結(jié)構(gòu)的表(待考察):ALTER?TABLE?crm.demo?SET?TBLPROPERTIES?('parquet.compression'='SNAPPY')?;或,寫入時(shí)SET?parquet.compression=SNAPPY?;相對來說亥鬓,還是比較簡單完沪,更多關(guān)于壓縮內(nèi)容的,參考這篇文章:鏈接:Hive壓縮說明?-?CSDN博客回到最初的問題嵌戈,如果是按Snappy壓縮的格式覆积,這份用戶行為數(shù)據(jù)沒辦法分析了,因此有兩種辦法去解決:①?安裝Snappy的解壓工具可自行百度(鏈接:壓縮軟件Snappy的安裝?-?一心行走?-?博客園?)咕别,由于沒有權(quán)限技健,所以這條路行不通;②?更改數(shù)據(jù)的壓縮格式最初我試了一下更改Parquet格式表的壓縮格式惰拱,但是沒有用雌贱!因?yàn)槲易詈笫切枰獙⒉樵償?shù)據(jù)導(dǎo)出到本地文件系統(tǒng),如下語句所示:insert??overwrite??local??directory??'/home/etl/tmp/data'?select?*from?crm.demo所以偿短,通過這樣的形式得到的數(shù)據(jù)欣孤,壓縮格式依然是.?Snappy。因此昔逗,這里就需要配置Hive執(zhí)行過程中的中間數(shù)據(jù)和最終數(shù)據(jù)的壓縮格式降传。如MapReduce的shuffle階段對mapper產(chǎn)生的中間結(jié)果數(shù)據(jù)壓縮:hive>?set?mapred.map.output.compression.codec;mapred.map.output.compression.codec=org.apache.hadoop.io?.compress.SnappyCodec如對最終生成的Hive表的數(shù)據(jù)壓縮:hive>?set?mapred.output.compression.codec;mapred.output.compression.codec=org.apache.hadoop.io?.compress.SnappyCodec這里,我們要設(shè)置結(jié)果表數(shù)據(jù)的壓縮格式勾怒,語句如下:set?mapred.output.compression.codec=org.apache.hadoop.io?.compress.GzipCodec;最終的結(jié)果就是.gz?的壓縮格式-rw-r--r--?1?etl?etl?342094?May?10?11:13?000000_0.gz最后婆排,我們直接下載到電腦本地,直接解壓就可以通過Excel分析用戶行為路徑數(shù)據(jù)了笔链。
結(jié)合以上信息看來段只,我們可以總結(jié)出一點(diǎn)經(jīng)驗(yàn):
從Hive應(yīng)用層的角度來說,關(guān)于數(shù)據(jù)文件的「存儲(chǔ)結(jié)構(gòu)」和「壓縮形式」鉴扫,這兩個(gè)點(diǎn)我們不需要關(guān)心赞枕,只是在導(dǎo)出數(shù)據(jù)的時(shí)候需要結(jié)合文件大小,以及數(shù)據(jù)類型去設(shè)置合適的壓縮格式。
從Hive底層維護(hù)的角度來說炕婶,涉及到各種各樣的「存儲(chǔ)結(jié)構(gòu)」和「壓縮形式」姐赡,都需要開發(fā)者去研究和調(diào)整,這樣才能保證集群上的文件在「時(shí)間」和「空間」上相對平衡柠掂。
對大數(shù)據(jù)感興趣的小伙伴們可以到科多大數(shù)據(jù)進(jìn)行咨詢喲~