表存储格式&数据类型

表存储格式&数据类型

Hive表的存储格式

img

Hive支持的表类型，或者称为存储格式有：TextFile、SequenceFile、RCFile、ORC、Parquet、AVRO。

TextFile

其中TextFile是文本格式的表，它是Hive默认的表结构；在存储时使用行式存储，并且默认不进行压缩，所以TextFile默认是以明文的文本方式进行保存的，但可以手动开启Hive的压缩功能进行数据压缩。

但开启压缩后，压缩后的文件在处理时无法进行split，所以并发度并不高；

因为一个压缩文件在计算时，会运行一个Map任务进行处理，如果这个压缩文件较大，处理效率就会降低，但压缩文件支持再切分的话，在处理时可以Split成多个文件，从而启动多个Map任务进行并发处理，提升处理性能。

而且对TextFile压缩文件的解压，即反序列化为普通文件，必须逐个字符判断是不是分隔符和行结束符，因此反序列化开销会比 SequenceFile 高几十倍。

TextFile表因为采用了行式存储，所以适合字段较少或者经常需要获取全字段数据的场景，在数据仓库场景的分析计算场景中一般不会使用TextFile表；通常ETL流程导入的数据通常为文本格式，使用TextFile表可以很容易的将数据导入到Hive中来，所以它常见的适用场景是作为外部数据导入存储，或者导出到外部数据库的中转表。

SequenceFile

SequenceFile同样是行式存储的表，它的存储格式为Hadoop支持的二进制文件，比如在MapReduce中数据读入和写出所使用的<Key、Value>数据，其中Key为读取数据的行偏移量，Value为SequenceFile真正存储的数据，所以它在Hadoop中处理时，会减少文件转换所需要的时间。SequenceFile支持压缩，可以选择None、Record、Block三种压缩方式，默认为Record，压缩率最高的是Block，而且支持压缩文件再拆分。所以如果在生产中，需要数据进行行式存储、原生支持压缩，且要满足一定的性能要求，那么可以使用SequenceFile这种存储方式。

RCFile、ORC、Parquet

RCFile、ORC、Parquet这三种格式，均为列式存储表——准确来说，应该是行、列存储相结合。在存储时，首先会按照行数进行切分，切分为不同的数据块进行存储，也就是行存储；在每一个数据块中，存储时使用的又是列式存储，将表的每一列数据存放在一起。这种列式存储在大数据技术中尤为常见，它在海量数据场景中是很好的一种优化手段，可以减少数据读取、移动所花费的时间；因为在结构化数据处理中，一般不会用到全部数据，而是选择某几列进行运算，使用行式存储会将所有数据加载后再进行过滤，而列式存储可以只读取这几列数据，减少数据读取、处理所需要的时间，这在海量数据场景中可以节约非常多的时间。

列式存储表中，RCFile现在基本很少使用了，它是ORC表的前身，支持的功能和计算性能都低于ORC表。

ORC表是Hive计算的主要表形式，是在RCFile的基础上进行了优化和改进，支持NONE、Zlib、Snappy压缩，在分析计算中的性能较好，是生产中常见的表类型。而且ORC表可以开启事务功能，以便支持数据更新、删除等操作，但事务的开启会影响表的处理性能，所以非必要情况下不需要启用事务功能。但ORC表的问题在于，它是Hive特有的存储类型，所以在其它大数据产品中兼容性并不好，有些只有在较高的版本中才会支持。

Parquet表也是Hive计算的主要表形式，它的计算性能稍弱于ORC表，但因为Parquet文件是Hadoop通用的存储格式，所以对于其它大数据组件而言，具有非常好的数据兼容度；而且Parquet表可以支持数据的多重嵌套（如JSON的属性值可以是一个对象，且支持嵌套），但ORC表在多重嵌套上的性能并不好。Parquet支持uncompressed\snappy\gzip\lzo压缩，其中lzo压缩方式压缩的文件支持切片，意味着在单个文件较大的场景中，处理的并发度会更高；而ORC表的压缩方式不支持切分，如果单个压缩文件较大的话，性能会有影响。

所以，对于ORC表和Parquet表的选择要区分使用场景，如果只在Hive中处理时使用，追求更高效的处理性能，且单个文件不是很大，或者需要有事务的支持，则选用ORC表。但如果要考虑到与其它大数据产品的兼容度，且单个文件较为庞大，数据存在多重嵌套，则选用Parquet表。

AVRO

最后AVRO表，它主要为 Hadoop 提供数据序列化和数据交换服务，支持二进制序列化方式，它与Thrift功能类似。一般而言，在数据传输中，不会直接将文本发送出去，而是先要经过序列化，然后再进行网络传输，AVRO就是Hadoop中通用的序列化和数据交换标准。所以，如果数据通过其他Hadoop组件使用AVRO方式传输而来，或者Hive中的数据需要便捷的传输到其他组件中，使用AVRO表是一种不错的选择。

常见表类型选择

Hive在生产中，一般使用较多的是TextFile、Orc、Parquet。TextFile一般作为数据导入、导出时的中转表。ORC和Parquet表一般作为分析运算的主要表类型，如果需要支持事务，则使用ORC，如果希望与其它组件兼容性更好，则使用Parquet。

在性能上ORC要略好于Parquet。但Parquet支持压缩切分，有时候也是考虑因素。

当然除了这几种内置表，Hive还支持自定义存储格式。可通过实现 InputFormat 和 OutputFormat 来完成。

压缩方式

img

Hive内置的压缩方式有bzip2、deflate、gzip，支持的第三方压缩方式有lzo、snappy。标准压缩方式为deflate，其算法实现是zlib。

其中bzip2、lzo支持压缩后文件再拆分。

对于这几种压缩算法，按照压缩比的排名顺序为：bzip2 > gzip > deflate > snappy > lzo。所以如果想保证高压缩率，那可以选用bzip2、gzip，但相应的压缩/解压缩的时间也会很长。相反的，按照压缩/解压缩耗时排名，顺序正好相反：lzo < snappy < deflate < gzip < bzip2，所以如果追求处理效率，则可以使用lzo、snappy进行压缩。

这里对压缩方式，仅做简单的了解即可。

数据类型

基本数据类型

数值型

img

Hive数值型包含整数、浮点数两种。

整数类型有：tinyint、smallint、int/integer、bigint，默认为int/integer，或者使用后缀进行整数类型的标识：100Y、100S、100L（对应为 tinyint、smallint、bigint）。

浮点类型有：float、double/double precision、decimal/numeric，金融级别数据会使用decimal保证数据精度。

decimal数据类型使用构造函数decimal (precision, scale)进行创建，precision是数字部分（整数+小数）的整体长度， scale是小数部分的长度。如果不进行指定，数字部分默认长度为 10，小数部分如果没有指定，则默认为 0。

一般数据类型在建表时，在表字段后指定；但为了方便演示，使用了CAST函数进行了数据类型转换，将其它类型数据转换为DECIMAL类型。执行SQL前，先保证HiveServer2和MetaStore已经启动，并使用beeline客户端连接到hive。

--将float类型的123.5转换为decimal类型
select CAST(123.56 AS DECIMAL(4,1));  
> 123.5

小数部分超出指定长度后，会被四舍五入截取，相当于精度截取。

select CAST(123456.5 AS DECIMAL);  
> 123457

整数部分超出指定长度后，直接转换为NULL值，相当于数据溢出。

select CAST(12345678910.5 AS DECIMAL);
> NULL

可以将其它数据类型转换为decimal，数据超出部分按照规则进行截取。

select CAST('123456789.1234567' AS DECIMAL(20,5)); 
123456789.12346

字符型

Hive字符型包含可变长度字符串、固定长度字符串两种。可变长度字符串有：string、varchar；固定长度字符串有：char。

img

其中varchar需要指定最大字符数（1-65535），超过则会被自动截断，而string会自动进行扩展；但varchar和string，末尾如果存在空格，则会影响字符串的比较结果。

select CAST("ABCDEFGHIGK" AS VARCHAR(10)); 
> ABCDEFGHIG
select CAST("ABCDEFGHIGK" AS STRING); 
> ABCDEFGHIGK

char需要指定最大字符串（1-255），小于指定长度的值会被空格填充，末尾存在空格，并不影响字符串的比较结果。

select CAST("ABCDEFGHIGK" AS CHAR(10)); 
> ABCDEFGHIG

日期型

Hive支持的日期类型有：TIMESTAMP、DATE、INTERVAL。

img

TIMESTAMP可以存储整型、浮点型、字符串类型的时间数据。

整型、浮点型支持以毫秒为单位的UNIX时间戳。

select CAST(1610493629000 AS TIMESTAMP); 
> 2021-01-13 07:20:29.0

字符串，支持YYYY-MM-DD HH:MM:SS.fffffffff 格式，可达到小数点后9位精度（纳秒级别）。

select CAST('2021-01-13 07:20:29' AS TIMESTAMP); 
> 2021-01-13 07:20:29.0

对于TIMESTAMP，提供用于时区转换的UDF函数：to_utc_timestamp，from_utc_timestamp。

select to_utc_timestamp(1610493629000, 'GMT');
> 2021-01-13 07:20:29.0

所有日期时间的UDF都能够使用TIMESTAMP数据类型。

Date类型在0.12.0后支持，格式为YYYY-­MM-­DD，可以表示从0000-­01-­01到9999-­12-­31的日期。Date只能从Date、Timestamp、String类型中转换而来。

select cast(CAST('2021-01-13 07:20:29' AS TIMESTAMP) as date);
select cast('2021-01-13' as date);
select cast(cast('2021-01-13' as date) as date);

Intervals是指一段以年、月、日、分钟、秒为单位的时间片段。

img

在2.2.0版本之前，仅支持字符串表示时间片段，但2.2.0后可以使用数字常量直接表示，或者直接省略INTERVAL关键字，使用别名进行表示。如INTERVAL ‘1’ DAY等同于INTERVAL 1 DAY，也可以使用1 DAYS进行表示。

Intervals一般用于时间的计算。

# 在当前时间的基础上，增加1年、2个月、1天
# 2.2.0之前
select current_timestamp()  + INTERVAL '1' year + INTERVAL '2' MONTH + INTERVAL '1' DAY;
# 2.2.0之后
select current_timestamp()  + INTERVAL 1 year + INTERVAL 2 MONTH + INTERVAL 1 DAY;
select current_timestamp()  + 1 years + 2 months + 1 days;

Intervals支持格式化字符串，用于表示组合的时间片段，但支持有限。

img

--表示1年2个月
select INTERVAL '1-2' YEAR TO MONTH;
--表示1天2小时3分钟4秒5纳秒
select INTERVAL '1 2:3:4.000005' DAY TO SECOND;

Intervals仅支持年、月进行组合，天、小时、分钟、秒、纳秒进行组合，不支持类似月、天这样的组合，但因为组合的时间片段使用场景非常有限，一般在时间计算中会直接对多个INTERVAL片段进行运算，所以不影响实际使用。

Intervals在2.2.0版本中，支持动态时间间隔、关键字省略，方便了在特定场景中的使用。

img

select INTERVAL (1+2) MONTH;
select 1 DAY;

其它类型（Misc Type）

在基本数据类型中，还有BOOLEAN、BINARY。

img

当然，对于缺失的数据值，会被标记为NULL。

复杂数据类型

Hive支持复杂数据类型array、map、struct、union。

img

数据类型比较

对于这些数据类型，仅需要在使用时进行参考即可。但Hive作为数据仓库，数据更多的时候是从其它数据库或数据仓库中导入的，所以就需要进行数据类型的转换。

其中JDBC与Hive数据类型的对照关系如下图所示：

img

img

接下来是Orcale与Hive的数据类型对照：

img

img

除此之外，DB2也是常见的数据库，DB2与Hive的数据类型对照如下：

img

img

对于这些数据类型，在需要使用的时候，直接进行参考对照即可。