在學習大數據技術的過程中，HIVE是非常重要的技術之一，但我們在項目上經常會遇到一些存儲和壓縮的坑，本文通過科多大數據的武老師整理，分享給大家。

大家都知道，由于集群資源有限，我們一般都會針對數據文件的「存儲結構」和「壓縮形式」進行配置優(yōu)化。在我實際查看以后，發(fā)現集群的文件存儲格式為Parquet，一種列式存儲引擎，類似的還有ORC。而文件的壓縮形式為Snappy。具體的操作形式如下：

① 創(chuàng)建Parquet結構的表（Hive 0．13 and later）：

CREATE TABLE CRM．DEMO（A INT） STORED AS PARQUET ；

② 確認表的文件存儲格式：

desc formatted crm．demo；

結果輸出如下

＃ Storage Information

SerDe Library：          org．apache．hadoop．hive．ql．io．parquet．serde．ParquetHiveSerDe

InputFormat：                 org．apache．hadoop．hive．ql．io．parquet．MapredParquetInputFormat

OutputFormat：               org．apache．hadoop．hive．ql．io．parquet．MapredParquetOutputFormat

③ 創(chuàng)建Snappy壓縮格式的Parquet結構的表（待考察）：

ALTER TABLE crm．demo SET TBLPROPERTIES （＇parquet．compression＇＝＇SNAPPY＇） ；

或，寫入時

SET parquet．compression＝SNAPPY ；

回到最初的問題，如果是按Snappy壓縮的格式，這份用戶行為數據沒辦法分析了，因此有兩種辦法去解決：

① 安裝Snappy的解壓工具

可自行百度，由于沒有權限，所以這條路行不通；

② 更改數據的壓縮格式可以

最初我試了一下更改Parquet格式表的壓縮格式，但是沒有用！因為我最后是需要將查詢數據導出到本地文件系統(tǒng)，如下語句所示：

insert  overwrite  local  directory  ＇／home／etl／tmp／data＇

select ＊

from crm．demo

所以，通過這樣的形式得到的數據，壓縮格式依然是． Snappy。因此，這里就需要配置Hive執(zhí)行過程中的中間數據和最終數據的壓縮格式。

如MapReduce的shuffle階段對mapper產生的中間結果數據壓縮：

hive＞ set mapred．map．output．compression．codec；

mapred．map．output．compression．codec＝org．apache．hadoop．io．compress．SnappyCodec

如對最終生成的Hive表的數據壓縮：

hive＞ set mapred．output．compression．codec；

mapred．output．compression．codec＝org．apache．hadoop．io．compress．SnappyCodec

這里，我們要設置結果表數據的壓縮格式，語句如下：

set mapred．output．compression．codec＝org．apache．hadoop．io．compress．GzipCodec；

最終的結果就是 ．gz 的壓縮格式

－rw－r－－r－－ 1 etl etl 342094 May 10 11：13 000000＿0．gz

最后，我們直接下載到電腦本地，直接解壓就可以通過Excel分析用戶行為路徑數據了。

總結：從Hive應用層的角度來說，關于數據文件的「存儲結構」和「壓縮形式」，這兩個點我們不需要關心，只是在導出數據的時候需要結合文件大小，以及數據類型去設置合適的壓縮格式。不過從Hive底層維護的角度來說，涉及到各種各樣的「存儲結構」和「壓縮形式」，都需要開發(fā)者去研究和調整，這樣才能保證集群上的文件在「時間」和「空間」上相對平衡。