文件格式和压缩格式介绍

文件格式和压缩格式介绍
一.常用的文件存储格式

TEXTFILE
textfile为默认格式，存储方式为行式存储，在检索时磁盘开销大数据解析开销大，而对压缩的text文件 hive无法进行合并和拆分
SEQUENCEFILE
二进制文件,以<key,value>的形式序列化到文件中,存储方式为行式存储，可以对文件进行分割和压缩，一般使用block压缩，使用Hadoop 的标准的Writable 接口实现序列化和反序列化,和hadoop api中的mapfile是相互兼容的。
RCFILE
存储方式为数据按行分块，每块按照列存储的行列混合模式，具有压缩快，列存取快的特点。
在使用时，读记录尽量涉及到的block最少，这样读取需要的列只需要读取每个row group 的头部定义，具有明显速度优势。
读取全量数据的操作性能可能比sequencefile没有明显的优势。

Apache Orc 和Apache Parquet
这两种是hive发展过程中出现的存储格式并发展为Apache独立*项目。

Orc是从HIVE的原生格式RCFILE优化改进而来。
Parquet是Cloudera公司研发并开源的格式。

这两者都属于列存储格式，但Orc严格上应该算是行列混合存储，首先根据行组分割整个表，在每一个行组内进行按列存储。
Parquet文件和Orc文件都是是自解析的，文件中包括该文件的数据和元数据，Orc的元数据使用Protocol Buffers序列化。
两者都支持嵌套数据格式（struct\map\list），但策略不同：

Parquet支持嵌套的数据模型，类似于Protocol Buffers，每一个数据模型的schema包含多个字段，每一个字段有三个属性：重复次数、数据类型和字段名。
ORC原生是不支持嵌套数据格式的，而是通过对复杂数据类型特殊处理的方式实现嵌套格式的支持。

二.压缩格式

使用压缩技术，可以减少文件的存储空间，并且在传输文件的时候减少IO消耗

压缩格式列表：

文件格式和压缩格式介绍

压缩格式	优点	缺点
gzip	压缩比在四种压缩方式中较高；hadoop本身支持，在应用中处理gzip格式的文件就和直接处理文本一样；有hadoop native库；大部分linux系统都自带gzip命令，使用方便	不支持split
lzo	压缩/解压速度也比较快，合理的压缩率；支持split，是hadoop中最流行的压缩格式；支持hadoop native库；需要在linux系统下自行安装lzop命令，使用方便	压缩率比gzip要低；hadoop本身不支持，需要安装；lzo虽然支持split，但需要对lzo文件建索引，否则hadoop也是会把lzo文件看成一个普通文件（为了支持split需要建索引，需要指定inputformat为lzo格式）
snappy	压缩速度快；支持hadoop native库	不支持split；压缩比低；hadoop本身不支持，需要安装；linux系统下没有对应的命令d. bzip2
bzip2	支持split；具有很高的压缩率，比gzip压缩率都高；hadoop本身支持，但不支持native；在linux系统下自带bzip2命令，使用方便	压缩/解压速度慢；不支持native

由此可以看出压缩性能最好的BZIP2，在压缩的过程中所需要的时间相对是最高的，所以我存储文件的时候我们要合理选择对应的压缩格式

在选择压缩格式的时候我们需要注意以下几点：

1.看清当下需求，是希望压缩之后的文件占用存储比较少、还是希望压缩的过程中少占用一些资源

2.压缩格式最好选择可以分割的，这样方便后面做计算处理

文件格式和压缩格式介绍

相关推荐