- MapReduce 的数据压缩
- hive 的数据压缩
- hive 支持的文件格式
- hive日志分析,各种压缩的对比
- hive 的函数HQL 查询
一: mapreduce 的压缩
- mapreduce 压缩 主要是在shuffle阶段的优化。
shuffle 端的
--partition (分区)
-- sort (排序)
-- combine (合并)
-- compress (压缩)
-- group (分组)
在mapreduce 优化shuffle 从本质上是解决磁盘的IO 与网络IO 问题。
减少 集群件的文件传输处理。
二: hive 的压缩:
压缩的和解压需要cpu的,hive 的常见的压缩格式:
bzip2,gzip,lzo,snappy等
cdh 默认采用的压缩是snappy
压缩比:bzip2 > gzip > lzo bzip2 最节省存储空间。
注意: sanppy 的并不是压缩比最好的
解压速度: lzo > gzip > bzip2 lzo 解压速度是最快的。
注意:追求压缩速率最快的sanppy
压缩的和解压需要cpu 损耗比较大。
集群分: cpu 的密集型 (通常是计算型的网络)
hadoop 是 磁盘 IO 和 网络IO 的密集型, 网卡的双网卡绑定。
三: hadoop 的检查 是否支持压缩命令
bin/hadoop checknative
3.1 安装使支持压缩:
tar -zxvf 2.5.0-native-snappy.tar.gz -C /home/hadoop/yangyang/hadoop/lib/native
3.2 命令检测:
bin/hadoop checknative
3.3 mapreduce 支持的压缩:
CodeName:
zlib : org.apache.hadoop.io.compress.DefaultCodec
gzip : org.apache.hadoop.io.compress.GzipCodec
gzip2: org.apache.hadoop.io.compress.Bzip2Codec
lzo : org.apache.hadoop.io.compress.LzoCodec
lz4 : org.apache.hadoop.io.compress.Lz4Codec
snappy: org.apache.hadoop.io.compress.SnappyCodec
3.4 mapreduce 执行作业临时支持压缩两种方法:
1.在执行命令时候运行。
-Dmapreduce.map.output.compress=true
-Dmapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.DefaultCodec
如:
bin/yarn jar share/hadoop/mapreduce/hadoop-mapreduce-examples-2.5.0-cdh5.3.6.jar wordcount -Dmapreduce.map.output.compress=true -Dmapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.DefaultCodec /input/dept.txt /output1
可以在bin 的前面加一个time, 会在查看运行的时间
测试job 的任务:
1. 测运行job 的总时间
2. 查看压缩的频率,压缩后的文件大小。
2. 更改配置文件:
更改mapred-site.xml 文件
<property>
<name>mapreduce.map.output.compress</name>
<value>true</value>
</property>
<property>
<name>mapreduce.map.output.compress.codec</name>
<value>org.apache.hadoop.io.compress.DefaultCodec</value>
</property>
更改完成之后重新启动服务就可以
四. hive的支持压缩
4.1 更改临时参数使其生效
hive > set ---> 查看所有参数
hive > set hive.exec.compress.intermediate=true -- 开启中间 压缩
> set mapred.map.output.compression.codec = CodeName
> set hive.exec.compress.output=true
> set mapred.map.output.compression.type = BLOCK/RECORD
在hive-site.xml 中去增加相应参数使其永久生效
4.2:hive 支持的文件类型:
4.2.1 行存储与列式存储区别
数据库列存储不同于传统的关系型数据库,其数据在表中是按行存储的,列方式所带来的重要好处之一就是,由于查询中的选择规则是通过列来定义的,因 此整个数据库是自动索引化的。
按列存储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,一个字段的数据聚集存储,那就 更容易为这种聚集存储设计更好的压缩/解压算法。
4.2.2 hive 支持的文件类型:
修改hive 的默认文件系列参数:
set hive.default.fileformat=Orc
TextFile:默认的类型,行存储
rcfile:按行块,每块再按列存储
avro:二进制
ORC rcfile:的升级版,默认是zlib,支持snappy 其格式不支持
parquet
4.2.3 ORC格式(hive/shark/spark支持)
使用方法:
create table Adress (
name string,
street string,
city string,
state double,
zip int
)stored as orc tblproperties ("orc.compress"="NONE") --->指定压缩算法
row format delimited fields terminated by '\t';
4.2.4 PARQUET格式(twitter+cloudera开源,Hive、Spark、drill,Impala、
Pig等支持)
使用方法:
create table Adress (
name string,
street string,
city string,
state double,
zip int
)stored as parquet ---> 指定文本类型
row format delimited fields terminated by '\t';
五:hive日志分析,各种压缩的对比
5.1 在hive 上面创建表结构:
5.1.1 textfile 类型:
create table page_views_textfile(
track_time string,
url string,
session_id string,
refere string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by '\t'
STORED AS textfile ; ---> 指定表的文件类型
加载数据到表中
load data local inpath '/home/hadoop/page_views.data' into table page_views_textfile ;
5.1.2 orc 类型:
create table page_views_orc(
track_time string,
url string,
session_id string,
refere string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by '\t'
STORED AS orc ;
插入数据:
insert into table page_views_orc select * from page_views_textfile ;
5.1.3 parquet 类型
create table page_views_parquet(
track_time string,
url string,
session_id string,
refere string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by '\t'
STORED AS parquet ;
插入数据:
insert into table page_views_parquet select * from page_views_textfile ;
六:比较:
6.1 文件大小统计
hive (yangyang)> dfs -du -h /user/hive/warehouse/yangyang.db/page_views_textfile ;
hive (yangyang)> dfs -du -h /user/hive/warehouse/yangyang.db/page_views_orc ;
hive (yangyang)> dfs -du -h /user/hive/warehouse/yangyang.db/page_views_parquet ;
从上面可以看出orc 上生成的表最小。
6.2 查找时间测试比较:
hive (yangyang)> select count(session_id) from page_views_textfile ;
hive (yangyang)> select count(session_id) from page_views_orc;
hive (yangyang)> select count(session_id) from page_views_parquet;
6.3 textfile 文件类型:
6.4 orc 文件类型:
6.5 parquet 类型:
七 hive 创建表与指定压缩:
7.1 orc+snappy 格式:
create table page_views_orc_snappy(
track_time string,
url string,
session_id string,
refere string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by '\t'
STORED AS orc TBLPROPERTIES("orc.compression"="Snappy");
插入数据:
insert into table page_views_orc_snappy select * from page_views_textfile ;
7.2 parquet+snappy 格式:
set parquet.compression=Snappy ;
set hive.exec.compress.output=true ;
create table page_views_parquet_snappy(
track_time string,
url string,
session_id string,
refere string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by '\t'
STORED AS parquet ;
插入数据:
insert into table page_views_parquet_snappy select * from page_views_textfile ;
7.3 对比测试:
7.3.1 文件大小对比:
hive (yangyang)> dfs -du -h /user/hive/warehouse/yangyang.db/page_views_orc_snappy ;
hive (yangyang)> dfs -du -h /user/hive/warehouse/yangyang.db/page_views_parquent_snappy ;
7.3.2 查询对比:
hive (yangyang)> select count(session_id) from page_views_orc_snappy;
hive (yangyang)> select count(session_id) from page_views_parquet_snappy;
八 :hive 的函数HQL 查询
8.1 case --when--then-else
hive(yangyang)>select ename,
case
when comm is null then 0
else comm end as comm_new
from emp;
8.1.2 unix_timestamp() 函数:
desc function extended unix_timestamp;
查找时间
select track_time from page_views_textfile limit 2 ;
转换时间:
select unix_timestamp(track_time) from page_views_textfile limit 2 ;