hive文件存储格式

hive在建表是，可以通过‘STORED AS FILE_FORMAT’ 指定存储文件格式

例如：

[plain] view
plain copy

1. > CREATE EXTERNAL TABLE MYTEST(num INT, name STRING)
2. > ROW FORMAT DELIMITED FIELDS TERMINATED BY ‘\t‘
3. > STORED AS TEXTFILE
4. > LOCATION ‘/data/test‘;

指定文件存储格式为“TEXTFILE”。

hive文件存储格式包括以下几类：

• TEXTFILE
• SEQUENCEFILE
• RCFILE
• 自定义格式

TEXTFIEL

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。

实例：

[plain] view
plain copy

1. > create table test1(str STRING)
2. > STORED AS TEXTFILE;
3. OK
4. Time taken: 0.786 seconds
5. #写脚本生成一个随机字符串文件，导入文件：
6. > LOAD DATA LOCAL INPATH ‘/home/work/data/test.txt‘ INTO TABLE test1;
7. Copying data from file:/home/work/data/test.txt
8. Copying file: file:/home/work/data/test.txt
9. Loading data to table default.test1
10. OK
11. Time taken: 0.243 seconds

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：

[plain] view
plain copy

1. > create table test2(str STRING)
2. > STORED AS SEQUENCEFILE;
3. OK
4. Time taken: 5.526 seconds
5. hive> SET hive.exec.compress.output=true;
6. hive> SET io.seqfile.compression.type=BLOCK;
7. hive> INSERT OVERWRITE TABLE test2 SELECT * FROM test1;

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。RCFILE文件示例：

实例：

[plain] view
plain copy

1. > create table test3(str STRING)
2. > STORED AS RCFILE;
3. OK
4. Time taken: 0.184 seconds
5. >  INSERT OVERWRITE TABLE test3 SELECT * FROM test1;

自定义格式

当用户的数据文件格式不能被当前 Hive 所识别的时候，可以自定义文件格式。

用户可以通过实现inputformat和outputformat来自定义输入输出格式，参考代码：

.\hive-0.8.1\src\contrib\src\java\org\apache\hadoop\hive\contrib\fileformat\base64

实例：

建表

[plain] view
plain copy

1. > create table test4(str STRING)
2. > stored as
3. > inputformat ‘org.apache.hadoop.hive.contrib.fileformat.base64.Base64TextInputFormat‘
4. > outputformat ‘org.apache.hadoop.hive.contrib.fileformat.base64.Base64TextOutputFormat‘;

$ cat test1.txt

aGVsbG8saGl2ZQ==

aGVsbG8sd29ybGQ=

aGVsbG8saGFkb29w

test1文件为base64编码后的内容，decode后数据为：

hello,hive

hello,world

hello,hadoop

load数据并查询：

[plain] view
plain copy

1. hive> LOAD DATA LOCAL INPATH ‘/home/work/test1.txt‘ INTO TABLE test4;
2. Copying data from file:/home/work/test1.txt
3. Copying file: file:/home/work/test1.txt
4. Loading data to table default.test4
5. OK
6. Time taken: 4.742 seconds
7. hive> select * from test4;
8. OK
9. hello,hive
10. hello,world
11. hello,hadoop
12. Time taken: 1.953 seconds

总结：

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。