Apache Hive TM
(文件存储格式)
Hive 文件存储格式主要包括以下几类：
1、TEXTFILE
2、SEQUENCEFILE
3、RCFILE
4、ORCFILE(0.11以后出现)
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；
SEQUENCEFILE，RCFILE，ORCFILE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SequenceFile,RCFile,ORCFile表中。
Apache Hive
Hive环境
⊙前提创建环境：
(本系列教程使用,CDH 官方快速入门)
hive-common-1.1.0-cdh5.13.0
数据结构
Data Structure
数据源(来源网络)
◆ ◆ ◆ ◆ ◆
一、TEXTFILE
创建一张格式为：TEXTFILE, 表名为: nsf_textfile
并且导入服务器本地数据！
create table if not exists a2data.nsf_testfile(id string,chicun string,fbl string,qz string,hz string ,dc string,tag string ,phone string ,keywords string,xq string,type string, new_keyworlds string) row format delimited fields terminated by '\t' stored as textfile; load data local inpath '/home/cloudera/a2data/hive/file.txt' overwrite into table a2data.nsf_testfile;
TEXTFILE：默认格式，数据不做压缩，这样就会导致磁盘开销大，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。
示例：create table if not exists a2data.textfile_table(id string,chicun string,fbl string,qz string,hz string ,dc string,tag string ,phone string ,keywords string,xq string,type string, new_keyworlds string)row format delimitedfields terminated by '\t'stored as textfile;插入数据操作：set hive.exec.compress.output=true; set mapred.output.compress=true; set mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec; set io.compression.codecs=org.apache.hadoop.io.compress.GzipCodec; insert overwrite table a2data.textfile_table select * from a2data.nsf_testfile;
二、SEQUENCEFILE
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。
SequenceFile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。
示例：create table if not exists a2data.seqfile_table(id string,chicun string,fbl string,qz string,hz string ,dc string,tag string ,phone string ,keywords string,xq string,type string, new_keyworlds string)row format delimitedfields terminated by '\t'stored as sequencefile;插入数据操作：set hive.exec.compress.output=true; set mapred.output.compress=true; set mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec; set io.compression.codecs=org.apache.hadoop.io.compress.GzipCodec; SET mapred.output.compression.type=BLOCK;insert overwrite table a2data.seqfile_table select * from a2data.textfile_table;
三、RCFILE
⊙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。
示例：create table if not exists a2data.rcfile_table(id string,chicun string,fbl string,qz string,hz string ,dc string,tag string ,phone string ,keywords string,xq string,type string, new_keyworlds string)row format delimitedfields terminated by '\t'stored as rcfile;插入数据操作：set hive.exec.compress.output=true; set mapred.output.compress=true; set mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec; set io.compression.codecs=org.apache.hadoop.io.compress.GzipCodec; insert overwrite table a2data.rcfile_table select * from a2data.textfile_table;
四、ORCFILE(简写ORC)
ORC File，它的全名是Optimized Row Columnar (ORC) file，其实就是对RCFile做了一些优化。这种文件格式可以提供一种高效的方法来存储Hive数据。它的设计目标是来克服Hive其他格式的缺陷。
运用ORC File可以提高Hive的读、写以及处理数据的性能。
和RCFile格式相比，ORC File格式有以下优点：
(1)、每个task只输出单个文件，这样可以减少NameNode的负载；
(2)、支持各种复杂的数据类型，比如： datetime, decimal, 以及一些复杂类型(struct, list, map, and union)；
(3)、在文件中存储了一些轻量级的索引数据；
(4)、基于数据类型的块模式压缩：a、integer类型的列用行程长度编码(run-length encoding);b、String类型的列用字典编码(dictionary encoding)；
(5)、用多个互相独立的RecordReaders并行读相同的文件；
(6)、无需扫描markers就可以分割文件；
(7)、绑定读写所需要的内存；
(8)、metadata的存储是用 Protocol Buffers的，所以它支持添加和删除一些列。
五、再看TEXTFILE、SEQUENCEFILE、RCFILE三种文件的存储情况：
结论
相比**TEXTFILE和_SEQUENCEFILE，RCFILE_由于列式存储方式，数据加载时性能消耗较大，但是具有较好的压缩比和查询响应。数据仓库的特点是一次写入、多次读取，因此，整体来看，RCFILE**相比其余两种格式具有较明显的优势。
扫码
长按关注
关注
惊喜不断
●**__Apache Hive Load Data__**（数据导入方式）
觉得有价值，请点个 在看 ！
本文分享自微信公众号 - DataScience（DataScienceTeam）。
如有侵权，请联系 support@oschina.cn 删除。
本文参与“OSC源创计划”，欢迎正在阅读的你也加入，一起分享。
