高级数据库十二（2）：HIVE文件存储格式

数据库十二（2）：HIVE文件存储格式

昨天在看HIVE的时候，突然发现HIVE的文件存储对数据的压缩刚好是前天看的数据库压缩的内容。所以刚好可以拿出来讲一下。

TextFile

Hive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、Snappy等朴素压缩算法使用（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。

SequenceFile

SequenceFile是Hadoop API提供的一种二进制文件，它将数据以

RCFile

RCFile文件格式是FaceBook开源的一种行列存储相结合的存储方式。

首先将表分为几个行组，组成一个一个块。

再对每个块内的数据进行按列存储，每一列的数据都是分开存储。



一个块主要包括：16字节的HDFS同步块信息，主要是为了区分一个HDFS块上的相邻行组；元数据的头部信息主要包括该行组内的存储的行数、列的字段信息等等；数据部分按列存储进行。

在一般的列存储中，会将不同的列分开存储，这样在查询的时候会跳过某些列，但是有时候存在一个表的有些列不在同一个HDFS块上（如下图），所以在查询的时候，Hive重组列的过程会浪费很多IO开销。

而RCFile则将一条记录的所有列都存在了一个HDFS块内，相比于普通的列存储会节约不少资源。

存储空间

RCFile采用游程编码(Run-length)，相同的数据不会重复存储，很大程度上节约了存储空间，尤其是字段中包含大量重复数据的时候。

懒加载

数据存储到表中都是压缩的数据，Hive读取数据的时候会对其进行解压缩，但是会针对特定的查询跳过不需要的列，这样也就省去了无用的列解压缩。

select c from table where a>1

针对行组来说，会对一个行组的a列进行解压缩，如果当前列中有a>1的值，然后才去解压缩c。若当前行组中不存在a>1的列，那就不用解压缩c，从而跳过整个行组。

实践证明RCFile目前没有性能优势, 只有存储上能省15%的空间, 作者自己都承认. Facebook用它也就是为了存储,. RCFile目前没有使用特殊的压缩手段, 例如算术编码, 后缀树等, 没有像InfoBright那样能节省大量io。

Parquet

这个并不是HIVE或者Hadoop生态系统独有的一种方式，而是由Google开发的Dremel系统。Parquet就是基于Dremel的数据模型和算法实现的。详细算法参见论文Dremel: Interactive Analysis of Web-Scale Datasets

Parquet是语言无关的，而且不与任何一种数据处理框架绑定在一起，适配多种语言和组件，能够与Parquet配合的组件有：

查询引擎: Hive, Impala, Pig, Presto, Drill, Tajo, HAWQ, IBM Big SQL

计算框架: MapReduce, Spark, Cascading, Crunch, Scalding, Kite

数据模型: Avro, Thrift, Protocol Buffers, POJOs

关于这个我先占个坑，感觉不太好理解，一时半伙应该总结不完。

ORCFile

ORC是在一定程度上扩展了RCFile，是对RCFile的优化。



根据结构图，我们可以看到ORCFile在RCFile基础上引申出来Stripe和Footer等。

每个ORC文件首先会被横向切分成多个Stripe，而每个Stripe内部以列存储，所有的列存储在一个文件中，而且每个stripe默认的大小是250MB，相对于RCFile默认的行组大小是4MB，所以比RCFile更高效。

Postscripts中存储该表的行数，压缩参数，压缩大小，列等信息

Stripe Footer中包含该stripe的统计结果，包括Max，Min，count等信息

File Footer中包含该表的统计结果，以及各个Stripe的位置信息

Index Data中保存了该stripe上数据的位置信息，总行数等信息

RowData以stream的形式保存了数据的具体信息

Hive读取数据的时候，根据File Footer读出Stripe的信息，根据IndexData读出数据的偏移量从而读取出数据。

网友有一幅图，形象的说明了这个问题：



ORCFile扩展了RCFile的压缩，除了Run-length，引入了字典编码和BitMap。

采用字典编码，最后存储的数据便是字典中的值、每个字典值的长度以及字段在字典中的位置

至于BitMap，对所有字段都可采用Bit编码来判断该列是否为null，如果为null则Bit值存为0，否则存为1，对于为null的字段在实际编码的时候不需要存储，也就是说字段若为null，是不占用存储空间的。

参考资料

hive文件存储格式

Hive-ORC文件存储格式