前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >hive文件存储格式:SequenceFile系统总结

hive文件存储格式:SequenceFile系统总结

作者头像
用户1410343
发布2018-03-27 14:12:40
3.1K0
发布2018-03-27 14:12:40
举报
文章被收录于专栏:about云

问题导读 1.什么是SequenceFile? 2.如何 通过 源码实现SequenceFile压缩? 3.SequenceFile格式压缩有什么优点和缺点? 1.SequenceFile是什么 1.1 SequenceFile概述

1.1.sequenceFile文件是Hadoop用来存储二进制形式的<Key,Value>对而设计的一种平面文件(Flat File)。

1.2.可以把SequenceFile当做是一个容器,把所有的文件打包到SequenceFile类中可以高效的对小文件进行存储和处理。

1.3.SequenceFile文件并不按照其存储的Key进行排序存储,SequenceFile的内部类Writer提供了append功能。

1.4.SequenceFile中的Key和Value可以是任意类型Writable或者是自定义Writable。

1.5.在存储结构上,SequenceFile主要由一个Header后跟多条Record组成,Header主要包含了Key classname,value classname,存储压缩算法,用户自定义元数据等信息,此外,还包含了一些同步标识,用于快速定位到记录的边界。每条Record以键值对的方式进行存储,用来表示它的字符数组可以一次解析成:记录的长度、Key的长度、Key值和value值,并且Value值的结构取决于该记录是否被压缩。

1.2:SequenceFile支持数据压缩

2.1.SequenceFIle的内部格式取决于是否启用压缩,如果是压缩,则又可以分为记录压缩和块压缩。

2.2.有一下三种类型的压缩:

A.无压缩类型:如果没有启用压缩(默认设置)那么每个记录就由它的记录长度(字节数)、键的长度,键和值组成。长度字段为4字节。

B.记录压缩类型:记录压缩格式与无压缩格式基本相同,不同的是值字节是用定义在头部的编码器来压缩。注意:键是不压缩的。下图为记录压缩:

C.块压缩类型:块压缩一次压缩多个记录,因此它比记录压缩更紧凑,而且一般优先选择。当记录的字节数达到最小大小,才会添加到块。该最小值由io.seqfile.compress.blocksize中的属性定义。默认值是1000000字节。格式为记录数、键长度、键、值长度、值。下图为块压缩:

1.3:优缺点 SequenceFile优点: A.支持基于记录(Record)或块(Block)的数据压缩。 B.支持splitable,能够作为MapReduce的输入分片。 C.修改简单:主要负责修改相应的业务逻辑,而不用考虑具体的存储格式。 SequenceFile的缺点 A.需要一个合并文件的过程,且合并后的文件不方便查看。 2.SequenceFile类解析 SequenceFile类位于org.apache.hadoop.io包内,类结构如下:

3.读写SequenceFile源码实例 写过程 1、创建Configuration 2、获取FileSystem 3、创建文件输出路径Path 4、调用SequenceFile.createWriter得到SequenceFile.Writer对象 5、调用SequenceFile.Writer.append追加写入文件 6、关闭流 3 例子如下:

[Bash shell] 纯文本查看 复制代码

?

代码语言:javascript
复制
import java.net.URI;
 
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.SequenceFile;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.SequenceFile.CompressionType;
import org.apache.hadoop.io.compress.BZip2Codec;
 
 
public class SequenceFileWrite {
 
    public static String uri = "hdfs://10.13.33.218:9000" ;
    public static String[] data = {
        "one,two" ,
        "three,four" ,
        "five,six" ,
        "seven,eight" ,
        "nine,ten"
    } ;
    public static void main(String args[])throws Exception{
        Configuration conf = new Configuration() ;
        FileSystem fs = FileSystem.get(URI.create(uri),conf) ;
//      Path path = new Path("/tmp.seq") ;
        Path path = new Path("/tmp1.seq") ;
        IntWritable key = new IntWritable() ;
        Text value = new Text() ;
        //SequenceFile.Writer writer = SequenceFile.createWriter(fs, conf,path, key.getClass(), value.getClass()) ;
        SequenceFile.Writer writer = SequenceFile.createWriter(fs, conf,path, key.getClass(), value.getClass(),CompressionType.RECORD,new BZip2Codec()) ;//对SequenceFile进行记录压缩
        for(int i=0;i<100;i++){
            key.set(100-i) ;
            value.set(data[i%data.length]) ;
            writer.append(key, value) ;
        }
        IOUtils.closeStream(writer) ;
    }
}

读过程 1、创建Configuration 2、获取FileSystem 3、创建文件输出路径Path 4、new一个SequenceFile.Reader进行读取 5、得到keyClass和valueClass 6、关闭流

[Bash shell] 纯文本查看 复制代码

?

代码语言:javascript
复制
import java.net.URI;
 
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.SequenceFile;
import org.apache.hadoop.io.Writable;
import org.apache.hadoop.util.ReflectionUtils;
 
 
public class SequenceFileRead {
 
    public static String uri = "hdfs://10.13.33.218:9000" ;
    public static String[] data = {
        "one,two" ,
        "three,four" ,
        "five,six" ,
        "seven,eight" ,
        "nine,ten"
    } ;
 
    public static void main(String[] args) throws Exception{
        Configuration conf = new Configuration() ;
        FileSystem fs = FileSystem.get(URI.create(uri),conf) ;
        //Path path = new Path("/tmp.seq") ;
        Path path = new Path("/tmp1.seq") ;
        SequenceFile.Reader reader = new SequenceFile.Reader(fs, path, conf) ;
        Writable key = (Writable)ReflectionUtils.newInstance(reader.getKeyClass(), conf) ;
        Writable value = (Writable)ReflectionUtils.newInstance(reader.getValueClass(), conf) ;
        while(reader.next(key,value)){
            System.out.println("key = " + key ) ;
            System.out.println("value = " + value) ;
            System.out.println("position = " + reader.getPosition()) ;//同步标识的偏移量
        }
 
        IOUtils.closeStream(reader) ;
    }
}

4.通过命令行接口显示SequenceFile hdfs dfs命令有一个-text选项可以以文本形式显示顺序文件,该选项可以查看文件的代码,由此检测出文件的类型并将其转换成相应的文本。该选项可以识别gzip压缩文件和顺序文件;否则,假设输入为纯文本文件。 对于顺序文件,如果键和值是由具体含义的字符串表示,那么这个命令就非常有用(通过toString()方法定义),同样,如果有自己定义的键或值的类,则应该确保它们在Hadoop类路径目录下。 project hdfs dfs -text tmp1.seq | head 5.SequenceFile的排序和合并 MapReduce是对多个顺序文件进行排序或合并的最有效的方法。MapReduce本身是并行的,并且可由用户指定要使用多少个reducer,该数决定这输出分区数。例如,通过指定一个reducer,可以得到一个输出文件。 除了MapReduce实现排序/归并,还有一种方法是使用SequenceFile.Sorter类中的sort()方法和merge()方法。它们比MapReduce更早出现,比MapReduce更底层,为了实现并行,需要手动对数据进行分区,因此不建议使用。

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 About云 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
对象存储
对象存储(Cloud Object Storage,COS)是由腾讯云推出的无目录层次结构、无数据格式限制,可容纳海量数据且支持 HTTP/HTTPS 协议访问的分布式存储服务。腾讯云 COS 的存储桶空间无容量上限,无需分区管理,适用于 CDN 数据分发、数据万象处理或大数据计算与分析的数据湖等多种场景。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档