蜂箱压缩Orc

Question

使用: Amazon Aws Hive (0.13)

尝试:输出具有snappy压缩的orc文件。

create external table output{
col1 string}
partitioned by (col2 string)
stored as orc
location 's3://mybucket'
tblproperties("orc.compress"="SNAPPY");

set hive.exec.dynamic.partition=true;
set hive.exec.dynamic.partition.mode=nonstrict;
set hive.exec.compress.output = true;    
set mapred.output.compression.type = BLOCK;  
set mapred.output.compression.codec = org.apache.hadoop.io.compress.SnappyCodec;

insert into table output
partition(col2)
select col1,col2 from input;

问题是，当我查看mybucket目录中的输出时，它不是带有SNAPPY扩展的。但是，它是一个二进制文件。我遗漏了什么设置来将这些orc文件转换为压缩并输出一个快速扩展名？

Answer 1

OrcFiles是一种特殊格式的二进制文件。指定orc.compress = SNAPPY时，使用Snappy压缩文件的内容。Orc是一种半柱状文件格式。

有关如何布局数据的更多信息，请查看这份文件。

流使用编解码器进行压缩，该编解码器被指定为该表中所有流的表属性，以优化内存的使用，压缩是在每个块生成时逐步完成的。压缩块可以跳过，而无需首先解压扫描。流中的位置由块开始位置和进入块的偏移量表示。

简而言之，您的文件是使用Snappy编解码器进行压缩的，您只是不知道它们是什么，因为文件中的块实际上是压缩的。

Answer 2

此外，您还可以使用hive --orcfiledump /apps/hive/warehouse/orc/000000_0查看文件的详细信息。输出将类似于：

Reading ORC rows from /apps/hive/warehouse/orc/000000_0 with {include: null, offset: 0, length: 9223372036854775807}
Rows: 6
Compression: ZLIB
Compression size: 262144
Type: struct<_col0:string,_col1:int>

Stripe Statistics:
  Stripe 1:
    Column 0: count: 6
    Column 1: count: 6 min: Beth max: Owen sum: 29
    Column 2: count: 6 min: 1 max: 6 sum: 21

File Statistics:
  Column 0: count: 6
  Column 1: count: 6 min: Beth max: Owen sum: 29
  Column 2: count: 6 min: 1 max: 6 sum: 21
....