Hive性能调优（一）----文件存储格式及压缩方式选择

• 合理使用文件存储格式

　　　　建表时，尽量使用 orc、parquet 这些列式存储格式，因为列式存储的表，每一列的数据在物理上是存储在一起的，Hive查询时会只遍历需要列数据，大大减少处理的数据量。

• 采用合适的文件压缩

　　　　Hive最终是转为 MapReduce 程序来执行的，而 MapReduce 的性能瓶颈在于网络 IO 和 磁盘 IO，要解决性能瓶颈，最主要的是减少数据量，对数据进行压缩是个好的方式。压缩虽然是减少了数据量，但是压缩过程要消耗CPU的，但是在Hadoop中， 往往性能瓶颈不在于CPU，CPU压力并不大，所以压缩充分利用了比较空闲的CPU。

　　　　常见文件压缩格式：

压缩格式	是否可拆分	是否自带	压缩率	速度	是否hadoop自带
gzip	否	是	很高	比较快	是
lzo	是	是	比较高	很快	否，需要安装
snappy	否	是	比较高	很快	否，需要安装
bzip2	是	否	最高	慢	是

　　　　各个压缩方式对应的类：

压缩格式	类
gzip	org.apache.hadoop.io.compress.GzipCodec
lzo	org.apache.hadoop.io.compress.lzo.LzoCodec
snappy	org.apache.hadoop.io.compress.SnappyCodec
bzip2	org.apache.hadoop.io.compress.BZip2Codec
zlib	org.apache.hadoop.io.compress.DefaultCodec
lz4	org.apache.hadoop.io.compress.Lz4Codec

　　　　压缩方式的选择：

　　　　　　压缩比率

　　　　　　压缩解压缩速度

　　　　　　是否支持Split

　　　　压缩使用：

　　　　　　Job 输出文件按照 block 以 GZip 的方式进行压缩：

    set mapreduce.output.fileoutputformat.compress=true // 默认值是 false

    set mapreduce.output.fileoutputformat.compress.type=BLOCK // 默认值是 Record

    set mapreduce.output.fileoutputformat.compress.codec=org.apache.hadoop.io.compress.GzipCodec // 默认值是 org.apache.hadoop.io.compress.DefaultCodec

 　　　　　　Map 输出结果也以 Gzip 进行压缩：

    set mapred.map.output.compress=true

    set mapreduce.map.output.compress.codec=org.apache.hadoop.io.compress.GzipCodec // 默认值是 org.apache.hadoop.io.compress.DefaultCodec 

 　　　　　　对 Hive 输出结果和中间都进行压缩：

    set hive.exec.compress.output=true // 默认值是 false，不压缩

    set hive.exec.compress.intermediate=true // 默认值是 false，为 true 时 MR 设置的压缩才启用