写点什么

Hive 数据抽样与存储格式详解

  • 2021 年 11 月 20 日
  • 本文字数:2288 字

    阅读完需:约 8 分钟

当数据规模不断膨胀时,我们需要找到一个数据的子集来加快数据分析效率。因此我们就需要通过筛选和分析数据集为了进行模式 & 趋势识别。目前来说有三种方式来进行抽样:随机抽样,桶表抽样,和块抽样。

1. 随机抽样

关键词:rand()函数


使用 rand()函数进行随机抽样,limit 关键字限制抽样返回的数据,其中 rand 函数前的 distribute 和 sort 关键字可以保证数据在 mapper 和 reducer 阶段是随机分布的。


案例如下:


select * from table_name where col=xxx distribute by rand() sort by rand() limit num; 
复制代码


使用 order 关键词:


案例如下:


select * from table_name where col=xxx order by rand() limit num; 
复制代码


经测试对比,千万级数据中进行随机抽样 order by 方式耗时更长,大约多 30 秒左右。

2. 块抽样

关键词:tablesample()函数


  1. tablesample(n percent) 根据 hive 表数据的大小按比例抽取数据,并保存到新的 hive 表中。如:抽取原 hive 表中 10%的数据


注意:测试过程中发现,select 语句不能带 where 条件且不支持子查询,可通过新建中间表或使用随机抽样解决。


select * from xxx tablesample(10 percent) 数字与percent之间要有空格
复制代码


  1. tablesample(nM) 指定抽样数据的大小,单位为 M。


select * from xxx tablesample(20M) 数字与M之间不要有空格
复制代码


  1. tablesample(n rows) 指定抽样数据的行数,其中 n 代表每个 map 任务均取 n 行数据,map 数量可通过 hive 表的简单查询语句确认(关键词:number of mappers: x)


select * from xxx tablesample(100 rows) 数字与rows之间要有空格
复制代码

3. 桶表抽样

关键词:tablesample (bucket x out of y [on colname])


其中 x 是要抽样的桶编号,桶编号从 1 开始,colname 表示抽样的列,y 表示桶的数量。


hive 中分桶其实就是根据某一个字段 Hash 取模,放入指定数据的桶中,比如将表 table_1 按照 ID 分成 100 个桶,其算法是 hash(id) % 100,这样,hash(id) % 100 = 0 的数据被放到第一个桶中,hash(id) % 100 = 1 的记录被放到第二个桶中。创建分桶表的关键语句为:CLUSTER BY 语句。


例如:将表随机分成 10 组,抽取其中的第一个桶的数据:


select * from table_01 tablesample(bucket 1 out of 10 on rand())
复制代码

4. Hive 存储格式

Hive 支持的存储数的格式主要有:TEXTFILE(行式存储) 、SEQUENCEFILE(行式存储)、ORC(列式存储)、PARQUET(列式存储)。

5 行式存储和列式存储


上图左边为逻辑表,右边第一个为行式存储,第二个为列式存储。


行存储的特点: 查询满足条件的一整行数据的时候,列存储则需要去每个聚集的字段找到对应的每个列的值,行存储只需要找到其中一个值,其余的值都在相邻地方,所以此时行存储查询的速度更快。select *


列存储的特点: 因为每个字段的数据聚集存储,在查询只需要少数几个字段的时候,能大大减少读取的数据量;每个字段的数据类型一定是相同的,列式存储可以针对性的设计更好的设计压缩算法。 select 某些字段效率更高。

6. TEXTFILE

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,执行查询时自动解压),但使用这种方式,hive 不会对数据进行切分,从而无法对数据进行并行操作。

7. ORC 格式

Orc (Optimized Row Columnar)是 hive 0.11 版里引入的新的存储格式。


可以看到每个 Orc 文件由 1 个或多个 stripe 组成,每个 stripe250MB 大小,这个 Stripe 实际相当于 RowGroup 概念,不过大小由 4MB->250MB,这样能提升顺序读的吞吐率。每个 Stripe 里有三部分组成,分别是 Index Data,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,先取部分行,然后对这些行按列进行存储。对每个列进行了编码,分成多个 Stream 来存储。

  3. Stripe Footer:存的是各个 stripe 的元数据信息


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。

8. PARQUET 格式

Parquet 是面向分析型业务的列式存储格式,由 Twitter 和 Cloudera 合作开发,2015 年 5 月从 Apache 的孵化器里毕业成为 Apache 顶级项目。


Parquet 文件是以二进制方式存储的,所以是不可以直接读取的,文件中包括该文件的数据和元数据,因此 Parquet 格式文件是自解析的。


通常情况下,在存储 Parquet 数据的时候会按照 Block 大小设置行组的大小,由于一般情况下每一个 Mapper 任务处理数据的最小单位是一个 Block,这样可以把每一个行组由一个 Mapper 任务处理,增大任务执行并行度。Parquet 文件的格式如下图所示。



上图展示了一个 Parquet 文件的内容,一个文件中可以存储多个行组,文件的首位都是该文件的 Magic Code,用于校验它是否是一个 Parquet 文件,Footer length 记录了文件元数据的大小,通过该值和文件长度可以计算出元数据的偏移量,文件的元数据中包括每一个行组的元数据信息和该文件存储数据的 Schema 信息。除了文件中每一个行组的元数据,每一页的开始都会存储该页的元数据,在 Parquet 中,有三种类型的页:数据页、字典页和索引页。数据页用于存储当前行组中该列的值,字典页存储该列值的编码字典,每一个列块中最多包含一个字典页,索引页用来存储当前行组下该列的索引,目前 Parquet 中还不支持索引页。


参考文档:

  1. 美团数据平台及数仓建设实践,超十万字总结

  2. 上百本优质大数据书籍,附必读清单(大数据宝藏)

  3. 五万字 | 耗时一个月整理出这份Hadoop吐血宝典

发布于: 3 小时前阅读数: 5
用户头像

InfoQ签约作者 2020.11.10 加入

文章首发于公众号:五分钟学大数据。大数据领域原创技术号,深入大数据技术

评论

发布
暂无评论
Hive数据抽样与存储格式详解