自己做个网站需要些什么,网站开发模板教务管理,哪里买到纯净网站模板,爱情表白网站制作压缩和存储
1、 Hadoop压缩配置
1) MR支持的压缩编码
压缩格式工具算法文件扩展名是否可切分DEFAULT无DEFAULT.deflate否GzipgzipDEFAULT.gz否bzip2bzip2bzip2.bz2是LZOlzopLZO.lzo否LZ4无LZ4.lz4否Snappy无Snappy.snappy否
为了支持多种压缩/解压缩算法#xff0c;Hadoop…压缩和存储
1、 Hadoop压缩配置
1) MR支持的压缩编码
压缩格式工具算法文件扩展名是否可切分DEFAULT无DEFAULT.deflate否GzipgzipDEFAULT.gz否bzip2bzip2bzip2.bz2是LZOlzopLZO.lzo否LZ4无LZ4.lz4否Snappy无Snappy.snappy否
为了支持多种压缩/解压缩算法Hadoop引入了编码/解码器如下表所示
压缩格式对应的编码/解码器DEFLATEorg.apache.hadoop.io.compress.DefaultCodecgziporg.apache.hadoop.io.compress.GzipCodecbzip2org.apache.hadoop.io.compress.BZip2CodecLZOcom.hadoop.compression.lzo.LzopCodecLZ4org.apache.hadoop.io.compress.Lz4CodecSnappyorg.apache.hadoop.io.compress.SnappyCodec
2) 压缩配置参数
要在Hadoop中启用压缩可以配置如下参数mapred-site.xml文件中
参数默认值阶段建议io.compression.codecs 在core-site.xml中配置org.apache.hadoop.io.compress.DefaultCodec, org.apache.hadoop.io.compress.GzipCodec, org.apache.hadoop.io.compress.BZip2Codec,org.apache.hadoop.io.compress.Lz4Codec输入压缩Hadoop使用文件扩展名判断是否支持某种编解码器mapreduce.map.output.compressfalsemapper输出这个参数设为true启用压缩mapreduce.map.output.compress.codecorg.apache.hadoop.io.compress.DefaultCodecmapper输出使用LZO、LZ4或snappy编解码器在此阶段压缩数据mapreduce.output.fileoutputformat.compressfalsereducer输出这个参数设为true启用压缩mapreduce.output.fileoutputformat.compress.codecorg.apache.hadoop.io.compress. DefaultCodecreducer输出使用标准工具或者编解码器如gzip和bzip2mapreduce.output.fileoutputformat.compress.typeRECORDreducer输出SequenceFile输出使用的压缩类型NONE和BLOCK
3) 开启Map输出阶段压缩
开启map输出阶段压缩可以减少job中map和Reduce task间数据传输量。具体配置如下
案例实操
--1开启hive中间传输数据压缩功能hive (default)set hive.exec.compress.intermediatetrue;
--2开启mapreduce中map输出压缩功能hive (default)set mapreduce.map.output.compresstrue;
--3设置mapreduce中map输出数据的压缩方式hive (default)set mapreduce.map.output.compress.codec org.apache.hadoop.io.compress.SnappyCodec;--4执行查询语句
hive (default) select count(*) from aaaa;4) 开启Reduce输出阶段压缩
当Hive将输出写入到表中时输出内容同样可以进行压缩。属性hive.exec.compress.output控制着这个功能。用户可能需要保持默认设置文件中的默认值false这样默认的输出就是非压缩的纯文本文件了。用户可以通过在查询语句或执行脚本中设置这个值为true来开启输出结果压缩功能。
案例实操
--1开启hive最终输出数据压缩功能hive (default)set hive.exec.compress.outputtrue;
--2开启mapreduce最终输出数据压缩hive (default)set mapreduce.output.fileoutputformat.compresstrue;
--3设置mapreduce最终数据输出压缩方式hive (default) set mapreduce.output.fileoutputformat.compress.codec org.apache.hadoop.io.compress.SnappyCodec;
--4设置mapreduce最终数据输出压缩为块压缩hive (default) set mapreduce.output.fileoutputformat.compress.typeBLOCK;
--5测试一下输出结果是否是压缩文件hive (default) insert overwrite local directory /root/data select * from aaaa;2、文件存储格式
Hive支持的存储数的格式主要有TEXTFILE 、SEQUENCEFILE、ORC、PARQUET。
1) 列式存储和行式存储 上图左边为逻辑表右边第一个为行式存储第二个为列式存储。
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。
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设计压缩算法。
TEXTFILE和SEQUENCEFILE的存储格式都是基于行存储的
ORC和PARQUET是基于列式存储的。
2) TEXTFILE格式
默认格式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。
3) ORC格式
Orc (Optimized Row Columnar)是hive 0.11版里引入的新的存储格式。
可以看到每个Orc文件由1个或多个stripe组成每个stripe250MB大小这个Stripe实际相当于RowGroup概念不过大小由4MB-250MB这样应该能提升顺序读的吞吐率。每个Stripe里有三部分组成分别是Index Data,Row Data,Stripe Footer 1Index 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。2Row Data存的是具体的数据先取部分行然后对这些行按列进行存储。对每个列进行了编码分成多个Stream来存储。 3Stripe Footer存的是各个Stream的类型长度等信息。
每个文件有一个File Footer这里面存的是每个Stripe的行数每个Column的数据类型信息等每个文件的尾部是一个PostScript这里面记录了整个文件的压缩类型以及FileFooter的长度信息等。在读取文件时会seek到文件尾部读PostScript从里面解析到File Footer长度再读FileFooter从里面解析到各个Stripe信息再读各个Stripe即从后往前读。
4) PARQUET格式
Parquet是面向分析型业务的列式存储格式由Twitter和Cloudera合作开发2015年5月从Apache的孵化器里毕业成为Apache顶级项目。
Parquet文件是以二进制方式存储的所以是不可以直接读取的文件中包括该文件的数据和元数据因此Parquet格式文件是自解析的。
通常情况下在存储Parquet数据的时候会按照Block大小设置行组的大小由于一般情况下每一个Mapper任务处理数据的最小单位是一个Block这样可以把每一个行组由一个Mapper任务处理增大任务执行并行度。Parquet文件的格式如下图所示。 上图展示了一个Parquet文件的内容一个文件中可以存储多个行组文件的首位都是该文件的Magic Code用于校验它是否是一个Parquet文件Footer length记录了文件元数据的大小通过该值和文件长度可以计算出元数据的偏移量文件的元数据中包括每一个行组的元数据信息和该文件存储数据的Schema信息。除了文件中每一个行组的元数据每一页的开始都会存储该页的元数据在Parquet中有三种类型的页数据页、字典页和索引页。数据页用于存储当前行组中该列的值字典页存储该列值的编码字典每一个列块中最多包含一个字典页索引页用来存储当前行组下该列的索引目前Parquet中还不支持索引页。
5) 主流文件存储格式对比实验
从存储文件的压缩比和查询速度两个角度对比。
存储文件的压缩比测试
--1TextFile
--1创建表存储数据格式为TEXTFILEcreate table log_text (track_time string,url string,session_id string,referer string,ip string,end_user_id string,city_id string)row format delimited fields terminated by \tstored as textfile ;
--2向表中加载数据hive (default) load data local inpath /root/log into table log_text ;
--3查看表中数据大小dfs -du -h /user/hive/warehouse/log_text;18.1 M /user/hive/warehouse/log_text/log.data
--2ORC
--1创建表存储数据格式为ORCcreate table log_orc(track_time string,url string,session_id string,referer string,ip string,end_user_id string,city_id string)row format delimited fields terminated by \tstored as orc ;
--2向表中加载数据insert into table log_orc select * from log_text ;
--3查看表中数据大小dfs -du -h /user/hive/warehouse/log_orc/ ;2.8 M /user/hive/warehouse/log_orc/000000_0
--3Parquet
--1创建表存储数据格式为parquetcreate table log_parquet(track_time string,url string,session_id string,referer string,ip string,end_user_id string,city_id string)row format delimited fields terminated by \tstored as parquet ;
--2向表中加载数据insert into table log_parquet select * from log_text ;
--3查看表中数据大小dfs -du -h /user/hive/warehouse/log_parquet/ ;13.1 M /user/hive/warehouse/log_parquet/000000_0
--存储文件的压缩比总结ORC Parquet textFile3、存储和压缩结合
官网https://cwiki.apache.org/confluence/display/Hive/LanguageManualORC
ORC存储方式的压缩
KeyDefaultNotesorc.compressZLIBhigh level compression (one of NONE, ZLIB, SNAPPY)orc.compress.size262,144number of bytes in each compression chunkorc.stripe.size67,108,864number of bytes in each stripeorc.row.index.stride10,000number of rows between index entries (must be 1000)orc.create.indextruewhether to create row indexesorc.bloom.filter.columns“”comma separated list of column names for which bloom filter should be createdorc.bloom.filter.fpp0.05false positive probability for bloom filter (must 0.0 and 1.0)
--1创建一个非压缩的的ORC存储方式
--1建表语句create table log_orc_none(track_time string,url string,session_id string,referer string,ip string,end_user_id string,city_id string)row format delimited fields terminated by \tstored as orc tblproperties (orc.compressNONE);
--2插入数据insert into table log_orc_none select * from log_text ;
--3查看插入后数据dfs -du -h /user/hive/warehouse/log_orc_none/ ;7.7 M /user/hive/warehouse/log_orc_none/000000_0
--2创建一个SNAPPY压缩的ORC存储方式
--1建表语句create table log_orc_snappy(track_time string,url string,session_id string,referer string,ip string,end_user_id string,city_id string)row format delimited fields terminated by \tstored as orc tblproperties (orc.compressSNAPPY);
--2插入数据insert into table log_orc_snappy select * from log_text ;
--3查看插入后数据dfs -du -h /user/hive/warehouse/log_orc_snappy/ ;3.8 M /user/hive/warehouse/log_orc_snappy/000000_0
--3上一节中默认创建的ORC存储方式导入数据后的大小为2.8 M /user/hive/warehouse/log_orc/000000_0
--总结比Snappy压缩的还小。原因是orc存储文件默认采用ZLIB压缩。比snappy压缩的小。
