Hadoop——Hive的序列化,文件存储,分桶和分区

一、序列化

　　1.正则表达式 创建表

//在加载文件时可以通过正则表达式来区分字段,字段名必须和文件中的字段名一致
create table reg_table(
     id int,
     name string
) row format serde 'org.apache.hadoop.hive.serde2.RegexSerDe'
with serdeproperties('input.regex'="id=(.*),name=(.*)"); //.代表单个字符 *  0~N次
//加载数据
load data local inpath '/usr/local/hive_data/regexp_test'  overwrite into table reg_table;

　　2.通过json文件创建表

//创建user用户数据的指定JSON的序列化器
create  table user_json_textfile(
      uid string,
      phone string,
      addr string 
) row format serde 'org.apache.hive.hcatalog.data.JsonSerDe';//这个类名是固定的
//加载数据
load data local inpath '/usr/local/xl_project/user/user_login_info.json'  overwrite into table user_json_textfile;

　　需要注意的问题: 每行必须是一个完整的JSON，一个JSON串不能跨 越多行，原因是Hadoop是依赖换行符分割文件的。

    　　  创建数据表:（数据表中的列名与JSON中的KEY保持一致）

　　3.什么是SerDe:

　　　　SerDe是“Serializer and Deserializer”(序列化器和反序列化器的缩写)

　　　　Hive使用SerDe读写表的行数据

　　　　HDFS FILES-->InputFileFormat--><key,value>-->Deserializer--> Row Object    

　　　　Row Object-->Serializer--><key,value>-->OutputFileFormat-->HDFS FILES

　　　　注意，“key”部分在读时被忽略，在写时始终是常量。基本上，row对象存储在value中

　　　　序列化是对象转换为字节序列的过程。 反序列化是字节序列恢复为对象的过程。 对象的序列化主要有两种用途：对象的持久化，即把对象转换成字节序列后保存到文件中；对象数据的网络传送。 除了上面两点， hive的序列化的作用还包括：Hive的反序列化是对key/value反序列化成hive table的每个列的值。Hive可以方便的将数据加载到表中而不需要对数据进行转换，这样在处理海量数据时可以节省大量的时间。

  SerDe说明hive如何去处理一条记录，包括Serialize/Deserilize两个功能， Serialize把hive使用的java object转换成能写入hdfs的字节序列，或者其他系统能识别的流文件。Deserilize把字符串或者二进制流转换成hive能识别的java object对象。比如：select语句会用到Serialize对象， 把hdfs数据解析出来；insert语句会使用Deserilize，数据写入hdfs系统，需要把数据序列化。

  Hive的一个原则是Hive不拥有HDFS文件格式。用户应该能够使用其他工具直接读取Hive表的HDFS文件或者使用其他工具直接写那些可以加载到外部表中的HDFS文件。

二、文件存储

　　1.文件格式的分类

　　 　　hive文件的存储格式主要分为以下四种:  TEXTFILE、SEQUENCEFILE、RCFILE、ORCFILE    

      　　其中TEXTFILE为默认格式，建表时不指定默认为这个格式，导入数据时直接把数据文  件COPY到HDFS上不进行处理。

      　　SEQUENCEFILE、RCFILE、ORCFILE格式的表不能直接从本地文件导入数据，数据要  先导入到textfile格式的表中，然后再从表中用insert导入SequenceFile，RcFile和  OrcFile中。

　　2.TEXTFILE格式

      　　 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，执行查询时解压），但使用这种方式， hive默认对数据不会切分，从而无法对数据进行并行操作。

       　　在反序列化的过程中，必须逐个字符判断是不是分隔符或行终止符，因此反序列化 开销最大。

　　3.SEQUENCEFILE格式

        　　SequenceFile是Hadoop API 提供的一种二进制文件，它将数据以二进制的形 式序列化到文件中。这种二进制文件内部使用Hadoop 的标准的Writable 接口 实现序列化和反序列化。它与Hadoop API中的MapFile 是互相兼容的。Hive 中 的SequenceFile 继承自Hadoop API 的SequenceFile，不过它的key为空，使 用value 存放实际的值， 这样是为了避免MR 在运行map 阶段的排序过程。

　　4.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。

　　5.ORCFILE格式

 　　　　 Orcfile(Optimized Row Columnar)是hive 0.11版里引入的新的存储格式， 是 对之前的RCFile存储格式的优化。可以看到每个Orc文件由1个或多个stripe(线条)组成，每个stripe250MB大小， 这个Stripe实际相当于之前的rcfile里的RowGroup概念，不过大小由 4MB->250MB， 这样应该能提升顺序读的吞吐率。每个Stripe里有三部分组成，分 别是IndexData,Row Data,Stripe Footer：

　　1、Index Data：一个轻量级的index，默认是每隔1W行做一个索引。这里做的索引只是记录某行的各字段在Row Data中的offset。

       2、Row Data：存的是具体的数据，和RCfile一样，先取部分行，然后对这些行按列进行存储。与RCfile不同的地方在于每个列进行了编码，分成多个Stream来存储

       3、Stripe Footer：存的是各个Stream的类型，长度等信息。

每个文件有一个File Footer，这里面存的是每个Stripe的行数，每个Column的数据类型信息等；每个文件的尾部是一个PostScript，这里面记录了整个文件的压缩类型以及FileFooter的长度信息等。在读取文件时，会seek到文件尾部读PostScript，从里面解析到File Footer长度，再读FileFooter，从里面解析到各个Stripe信息，再读各个Stripe，即从后往前读。

 　　6.总结　　　

　　　　textfile 存储空间消耗比较大，并且压缩的text 无法分割和合并 查询的效率最低,可以直接存储，加载数据的速度最高。

　　　　sequencefile 存储空间消耗最大,压缩的文件可以分割和合并 需要通过text文件 转化来加载。

　　　　rcfile 存储空间小，查询的效率高 ，需要通过text文件转化来加载，加载的速度最低

　　　　orcfile 存储空间最小，查询的最高 ，需要通过text文件转化来加载，加载的速度最低。

三、分区

　　1.什么是分区

　　　　hive开发中，在存储数据时，为了更快地查询数据和更好地管理数据，都会对hive 表中数据进行分区存储。所谓的分区，在hive表中体现的是多了一个字段。而在底 层文件存储系统中，比如HDFS上，分区则是一个文件夹，或者说是一个文件目录， 不同的分区，就是数据存放在根目录下的不同子目录里，可以通过show partitions查看。

　　　　查看分区

show partitions

　　2.动态和静态分区

　　　　创建分区(无论动态还是静态分区创建语句是不变的只有插入语句变化)

//创建一个按照年份分区的表 
create table test_partition (
id string comment 'ID', 
name string comment '名字'
) comment '测试分区'
 partitioned by (year int comment '年')
 ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' 

　　　　静态分区

#insert语句:
insert into table test_partition partition(year=2018) values ('001','张三');
insert into table test_partition partition(year=2018) values ('001','张三');
insert into table test_partition partition(year=2018) values ('002','李四');
#load语句
load data local inpath '/usr/local/part_test' into table test_partition partition (year =2018);
load data local inpath '/usr/local/part_test' into table test_partition partition (year =2018);
load data local inpath '/usr/local/part_test' into table test_partition partition (year =2017);
//要加载的文件为
002,李四
003,王五
003,王五

　　动态分区

 //动态分区默认不开启，需要使用下列语句开启:
set hive.exec.dynamic.partition.mode=nonstrict;#需退出hive，重新进入执行
           
//  insert语句数据插入:
insert into table test_partition partition(year) values ('001','张三',2016);
          
//load语句插入:
load data local inpath '/usr/local/part_test' into table test_partition partition (year);
FAILED: NullPointerException null 报错
        

//在这里没有为分区字段赋任何值,所以会抛出NullPointerException这样的异常，可以使用下面的办法解决:
                   
 创建一张没有分区的表:
create table test (
id string comment 'ID', 
name string comment '名字',
year int comment '年'
)comment '测试'
ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' ;
                              
//将数据载入到没有分区的表中:
load data local inpath '/usr/local/part_test' into table test;
                   
// 然后从表test，动态分区的插入到test_partition中:
insert into table test_partition partition(year) select * from test;
                   

　　删除修改分区

1、修改分区
             alter table 表名 partition (分区列=分区值) set location 新分区地址;     
               注意：此时原先的分区文件夹仍存在，但是在往分区添加数据时，只会添加到新的分区目录。
2、删除分区
            alter table 表名 drop partition(分区列=分区值)；

　　　静态分区和动态分区的区别　　　

　　　　静态分区和动态分区的主要区别在与：

             静态分区中的数据需要手动指定，当分区列的值有很多的情况下，就要不停的 使用INSERT语句进行显示指定。

             动态分区:可通过SELECT语句实现数据的一次性导入，而且可以通过数据源中 不同分区列的值动态的生成相应的目录，并把对应的数据写入对应的目录中。

           简单的来说：静态分区是给与固定的值，而动态分区可实现分区数据的动态指定

四、分桶

　　1.什么是分桶

　　　　分桶是相对分区进行更细粒度的划分。分桶将整个数据内容安装某列属性值得 hash值进行区分，如要安装name属性分为3个桶，就是对name属性值的hash 值对3取摸，按照取模结果对数据分桶。如取模结果为0的数据记录存放到一个文 件，取模为1的数据存放到一个文件，取模为2的数据存放到一个文件。(放置分桶的内容不能自定义,只能通过hashcode的值来进行)

　　2.分桶和分区的区别

　　　　分区针对的是数据存储路径（HDFS中表现出来的便是文件夹），分桶针对的是数据文件。分区提供一个隔离数据和优化查询的便利方式。不过，并非所有的数据集都可形成合理的分区，特别是当数据要确定合适的划分大小的时候，分区便不再合适。分桶是将数据集分解成更容易管理的若干部分的技术。

　　3.怎么用分桶

#创建一个存有id和name的表
create table student_bck
(id int, name string)
clustered by (id) into 3 buckets #创建三个分桶
row format delimited fields terminated by ",";//设置加载文件的字段分隔符
#向桶中插入数据
insert overwrite table student_bck select id,name from test; //insert将原有表中的数据加载到分桶的表中 
#查看桶中的数据
select * from student_bck tablesample (bucket x out of y on id);//x表示从哪个桶(x-1)开始，y代表分几个桶，也可以理解分x为分子，y为分母，及将表分为y份（桶），取第x份（桶）

为何取出王五的记录，是因为王五的记录为3,取模桶数余数为0，所以 理应放置在第一个桶中。当X=1时代表获取的是第一个桶的数据。