第 3 章 Hive 数据类型和文件格式

本章我们将学习 Hive 数据类型和文件存储格式。Hive 中的数据类型主要分为：基本数据类型 和 集合数据类型。我们先来看基本数据类型，这些数据类型和其他编程语言中的数据类型有什么区别吗？特别是 Java 语言。

3.1 基本数据类型

3.1.1 整数类型

Hive 主要有 4 种带符号的整数类型：TINYINT、SMALINT、INT、BIGINT，它们分别对应 Java 中的 byte、short、int、long。字节长度分别为1、2、4、8。如下表所示：

在使用整数字面量时，默认情况下为 INT，如果要声明为其他类型，通过后缀符来标识。

3.1.2 小数类型

Hive 中的小数类型主要有：FLOAT 和 DOUBLE 两种，分别对应 Java 中的 float 和 double，字节数分别为 32 和 64 位。如下表所示：

3.1.3 文本类型

Hive 中，主要有 3 种类型用于存储文本。

STRING 存储变长的文本，对长度没有限制。理论上将 STRING 可以存储的大小为 2GB，但是存储特别大的对象时效率可能受到影响，可以考虑使用 Sqoop 提供的大对象 支持。

VARCHAR 与 STRING 类似，但是长度上只允许在 1-65355 之间。

CHAR 则用固定长度来存储数据。

3.1.4 布尔类型

BOOLEAN：表示二元值的 true 或 false。

3.1.5 二进制数

BINARY：用于存储变长的二进制数据。

3.1.6 时间类型

TIMESTAMP 主要用来存储纳秒级别的时间戳，同时 Hive 提供了一些内置函数用于在 TIMESTAMP 与 Unix 时间戳（秒）和字符串之间做转换。比如：

cast(date as date)
cast(timestamp as date)
cast(string as date)
cast(date as string)

时间戳类型的数据不包含任务的时区信息，但是 to_utc_timestamp 和 from_utc_timestamp 函数可以用于时区转换。

DATE 类型则表示日期，对应年月日三个部分。

3.2 集合数据类型

有些时候，基本数据类型并不能满足我们的需求。在实际开发过程中，还可能会用到一些比较复杂的数据类型，同样，Hive 也给我们提供了 3 种集合数据类型：ARRAY ，MAP ， STRUCT 。

3.2.1 ARRAY

ARRAY 是一组具有相同数据类型元素的集合，ARRAY 中的元素是有序的，每个元素都有一个编号，编号从零开始，因此可以通过编号获取 ARRAY 指定位置的元素。

# 创建表结构：person_array
CREATE TABLE IF NOT EXISTS person_array (id int,name array<STRING>)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' 
COLLECTION ITEMS TERMINATED BY ':' 
STORED AS TEXTFILE;

# 创建原始数据：person_array.txt
1,'aa':'jp'
2,'bb':'cn'
3,'cc':'jp'
4,'dd':'cn'
5,'ee':'jp'

# 从 HDFS 上 /data 目录下导入数据
hive (default)> LOAD DATA INPATH '/data/person_array.txt' OVERWRITE INTO TABLE person_array;
Loading data to table default.person_array
Table default.person_array stats: [numFiles=1, numRows=0, totalSize=60, rawDataSize=0]
OK
Time taken: 0.434 seconds

# 查询所有数据
hive (default)> select * from person_array;
OK
person_array.id person_array.name
1       ["'aa'","'jp'"]
2       ["'bb'","'cn'"]
3       ["'cc'","'jp'"]
4       ["'dd'","'cn'"]
5       ["'ee'","'jp'"]
Time taken: 0.188 seconds, Fetched: 5 row(s)

# 指定查询 name：array 中的字段信息
hive (default)> select id,name[0],name[1] from person_array where name[1]="'jp'";
OK
id      _c1     _c2
1       'aa'    'jp'
3       'cc'    'jp'
5       'ee'    'jp'

3.2.2 MAP

Map 是一种键值对形式的集合，通过 key(键)来快速检索 value(值)。在 Map 中，key 是唯一的，但 value 可以重复。键值对之间需要在创建表时指定分隔符。

# 创建表结构：person_map
CREATE TABLE IF NOT EXISTS person_map (id int,name map<STRING,STRING>)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' 
COLLECTION ITEMS TERMINATED BY ':' 
MAP KEYS TERMINATED BY ':'
STORED AS TEXTFILE;

3.2.3 STRUCT

STRUCT 类似于 C、C# 语言，Hive 中定义的 struct 类型也可以使用点来访问，元素的数据类型可以不相同。从文件加载数据时，文件里的数据分隔符要和建表指定的一致。

# 创建表结构：person_struct
hive (default)> CREATE TABLE IF NOT EXISTS person_struct (id int,info struct<name:string,country:string>)
ROW FORMAT DELIMITED FIELDS TERMINATED BY ','
COLLECTION ITEMS TERMINATED BY ':'  STORED AS TEXTFILE;

# 创建原始数据：person_struct.txt
1,'aa':'jp'
2,'bb':'cn'
3,'cc':'jp'
4,'dd':'cn'
5,'ee':'jp'

# 从 HDFS 上 /data 目录下导入数据
hive (default)> LOAD DATA INPATH '/data/person_struct.txt' INTO TABLE person_info;
Loading data to table default.person_info
Table default.person_info stats: [numFiles=1, numRows=0, totalSize=72, rawDataSize=0]
OK

# 查询所有数据
hive (default)> select * from person_struct;
OK
person_struct.id  person_struct.info
1       {"name":"'aa'","country":"'jp'"}
2       {"name":"'bb'","country":"'cn'"}
3       {"name":"'cc'","country":"'jp'"}
4       {"name":"'dd'","country":"'cn'"}
5       {"name":"'ee'","country":"'jp'"}
Time taken: 0.503 seconds, Fetched: 5 row(s)

# 指定查询 info:strcut 中的字段信息
hive (default)> select id,info.name,info.country from person_struct where info.name="'aa'";
OK
id      name    country
1       'aa'    'jp'
Time taken: 0.141 seconds, Fetched: 1 row(s)

3.3 数据类型转换

类型转换现象指的是：在运算过程中，如果有不同的数据类型进行运算，则 Hive 会先将小的数据类型转换为大的数据类型后，再进行运算，转换的过程我们是看不见的，由编译器自动完成。

显示转换指的是：需要我们手动指定转换。

3.3.1 隐式转换

在 Hive 的类型层次中，可以根据需要进行隐式的类型转换，例如 TINYINT 与 INT 相加，则会将 TINYINT 转化成 INT 然后 INT 做加法。隐式转换的规则大致可以归纳如下：

• 任意数值类型都可以转换成更宽的数据类型（不会导致精度丢失）或者文本类型。
• 所有的文本类型都可以隐式地转换成另一种文本类型。也可以被转换成 DOUBLE 或者 DECIMAL，转换失败时抛出异常。
• BOOLEAN 不能做任何的类型转换。
• 时间戳和日期可以隐式地转换成文本类型。

3.3.2 显示转换

显示转换主要使用 CAST 进行显式的类型转换，比如：

CAST('1' as INT)

如果转换失败，CAST 返回 NULL。

3.4 文件存储格式

Hive 会选择一个合适的底层数据存储文件格式，即使在不改变当前 Hive SQL 的情况下，性能也能得到数据级的提升。

Hive 数据存储常用的文件格式如下：

• 行式存储：
  • 文本格式（TEXTFILE）
  • 二进制序列化文件（SEQUENCEFILE）
• 列式存储：
  • 行列式文件（RCFILE）
  • 优化的行列式文件（ORCFILE）
  • Apache Parquet

注：RCFile 和 ORCFile 并不是纯粹的列式存储，它是基于行对数据表进行分组（行组），然后对行组进行列式存储。

我们先来看看这几种存储结构的优缺点：

• 水平的行存储结构：

  行存储模式就是把一整行存储在一起，包含所有的列，这是最常见的模式。这种结构能很好的适应动态的查询。比如：select columnA from t_table_a 和 select columnA,columnB,columnC,columnD from t_table_a ，这两个查询的开销差不多，都需要把所有的行读进来过一遍，筛选出需要的列。

  而且，在这种情况下，属于同一行的数据都在同一个 HDFS 块上，重建一行数据的成本比较低。

  这样做会带来两个问题：

  • 当一行中有很多列，而我们只需要其中很少的几个列时，我们也不得不把一行中所有的列读进来，然后从其中取出一些列。这样会大大降低查询执行的效率。
  • 基于多个列做数据压缩时，由于不同的列数据类型和取值范围不同，压缩比不会太高。
• 垂直的列存储结构：

  列存储是将每列单独存储或者将某几列作为列组存储在一起。

  列存储在执行查询时可以避免读取不必要的列。而且一般同列的数据类型一致，取值范围相对多列混合更小，在这种情况下压缩数据能达到比较高的压缩比。

  但这种结构在重建行时比较费劲，尤其当一行的多个列不在一个 HDFS 块上的时候。比如我们从第一个 DataNode 上拿到 columnA，从第二个 DataNode 上拿到了 columnB，有从第三个 DataNode 上拿到了 columnC，当把A，B，C拼成一行时，就需要把这三个列放到一起重建出行，需要比较大的网络开销和运算开销。

• 混合的 PAX 存储结构：这种结构是将行存储和列存储混合使用的一种结构，主要是传统数据库中提高 CPU 缓存利用率的一种方法，并不能直接用到 HDFS 中。但是 RCFile 和 ORCFile 是继承自它的思想，先按行存再按列存。

我们在创建表的时候可以指定以哪种文件格式进行存储，一旦创建完成后并不可修改。

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，然后再从表中使用 insert 导入 SEQUENCEFILE、RCFILE、ORCFILE 表中。

下面我们将详细了解这 5 种文件格式。

3.4.1 TEXTFILE

文本文件格式，是最简单的一种文件存储格式，也是 Hive 默认存储的格式。在导入数据时 Hive 会直接把数据文件复制到 HDFS 上但不进行处理。

我们先创建一张存储格式为 TEXTFILE 的表：

create table if not exists t_textfile(
    site string,
    url string,
    pv bigint,
    label string
) row format delimited fields terminated by '\t' stored as textfile;

向 TEXTFILE 表中加载数据：

# 从 HDFS 上加载数据到表中
load data inpath '/data/weibo.txt' into table t_textfile;

TEXTFILE 格式因为不对导入的数据文件做任何处理，因此可以直接使用 load 方式加载数据，其他存储格式则不能使用 load 直接导入数据文件。所以，TEXTFILE 的加载速度是最高的。

TEXTFILE 格式虽然可以使用 Gzip 压缩算法，但压缩后的文件不支持分割（split）。

在反序列化过程中，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。

3.4.2 SEQUENCEFILE

SEQUENCEFILE 是 Hadoop API 提供的一种二进制文件支持，它具有使用方便、可分割、可压缩的特点。

SEQUENCEFILE 的内部合适取决于是否启用压缩，如果是压缩，则又可以分为记录压缩和块压缩。

SEQUENCEFILE 支持三种压缩选择：NONE、RECORD、BLOCK。

无压缩（NONE）： 如果没有启动压缩（默认设置）那么每个记录就有它的记录长度(字节数)、键的长度，键和值组成。长度字段为 4 字节。

记录压缩（RECORD）: 记录压缩格式与无压缩格式基本相同，不同的是：值字节是用定义在头部的编码器来压缩。注意：键是不压缩的。

块压缩（BLOCK）： 块压缩一次压缩多个记录，因此它比记录压缩更紧凑，而且优先选择。当记录的字节达到最小大小，才会添加到块。该最小值由 io.seqfile.compress.blocksize 中的属性定义，默认值是 1000000 字节。格式为：记录数、键长度、键、值长度、值。Record 压缩率低，一般推荐使用 BLOCK 压缩。

我们来创建一个 SequenceFile 格式的 Hive 表：

create table if not exists t_sequencefile(
    site string,
    url string,
    pv bigint,
    label string
) row format delimited fields terminated by '\t' stored as sequencefile;

设置压缩格式为块压缩：

hive (default)> set mapred.output.compression.type=BLOCK;

接着向 SequenceFile 表中加载数据：

insert overwrite table t_sequencefile select * from t_textfile;

SequenceFile 优点：

• 支持基于记录（Record）或块（Block）的数据压缩。
• 支持 split table，能够作为 MapReduce 的输入分片。
• 修改简单：主要负责修改相应的业务逻辑，而不用考虑具体的存储格式。

SequenceFile 缺点：

• 需要一个合并文件的过程，且合并后的文件不方便查看。

3.4.3 RCFILE

RCFile 文件存储格式，首先将表分为几个行组，对每个行组内的数据进行按列存储，每一列的数据都是分开存储，正是先水平划分，再垂直划分的理念。

首先对表进行行划分，分成多个行组。一个行组主要包括：

• 16 字节的 HDFS 同步块信息，主要是为了区分一个 HDFS 块上的相邻行组；
• 元数据的头部信息主要包括该行组内的存储的行数、列的字段信息等等；
• 数据部分我们可以看出 RCFile 将每一行，存储为一列，将一列存储为一行，因为当表很大，字段很多的时候，我们往往只需要取出固定的一列就可以。

在一般的行存储中 select a from table，虽然只是取出一个字段的值，但是还是会遍历整个表，所以效果和 select * from table 一样，在 RCFile 中，像前面说的情况，只会读取该行组的一行。

我们来创建一个 RCFile 的表：

create table if not exists t_rcfile(
    site string,
    url string,
    pv bigint,
    label string
) row format delimited fields terminated by '\t' stored as rcfile;

在存储空间上：

RCFile 是行划分，列存储，采用游程编码，相同的数据不会重复存储，很大程度上节约了存储空间，尤其是字段中包含大量重复数据的时候。

懒加载：

数据存储到表中都是压缩的数据，Hive 读取数据的时候会对其进行解压缩，但是会针对特定的查询跳过不需要的列，这样也就省去了无用的列解压缩。

如：

select c from table where a > 1;

针对行组来说，会对一个行组的 a 列进行解压缩，如果当前列中有 a > 1 的值，然后才去解压缩 c。若当前行组中不存在 a > 1 的列，那就不用解压缩 c，从而跳过整个行组。

3.4.4 ORCFILE

1、ORCFile 相比较 RCFile 的优点：

1. ORCFile 扩展了 RCFile 的压缩，除了 Run-length（游程编码），引入了字典编码和 Bit 编码。
2. 每个 task 只输出单个文件，这样可以减少 NameNode 的负载。
3. 支持各种复杂的数据类型，比如：datetime，decimal，以及一些复杂类型(struct, list, map,等)。
4. 文件是可切分（Split）的。在 Hive 中使用 ORCFile 作为表的文件存储格式，不仅节省 HDFS 存储资源，查询任务的输入数据量减少，使用的 MapTask 也就减少了。

采用字典编码，最后存储的数据便是字典中的值，及每个字典值的长度以及字段在字典中的位置；

采用 Bit 编码，对所有字段都可采用 Bit 编码来判断该列是否为 null， 如果为 null 则 Bit 值存为 0，否则存为 1，对于为 null 的字段在实际编码的时候不需要存储，也就是说字段若为 null，是不占用存储空间的。

2. ORCFile 的基本结构

ORCFile 在 RCFile 基础上引申出来 Stripe 和 Footer 等。

每个 ORCFile 文件首先会被横向切分成多个 Stripe，而每个 Stripe 内部以列存储，所有的列存储在一个文件中，而且每个 stripe 默认的大小是 250MB，相对于 RCFile 默认的行组大小是 4MB，所以比 RCFile 更高效。

我们来看一下ORCFile 的文件结构示意图：

ORCFile 文件结构由三部分组成：

• 条带（stripe）：ORCFile 文件存储数据的地方。
• 文件脚注（file footer）：包含了文件中 stripe 的列表，每个 stripe 的行数，以及每个列的数据类型。它还包含每个列的最小值、最大值、行计数、 求和等聚合信息。
• postscript：含有压缩参数和压缩大小相关的信息。

stripe 结构同样可以分为三部分：index data、rows data 和 stripe footer：

• index data：保存了所在条带的一些统计信息，以及数据在 stripe 中的位置索引信息。
• rows data：数据存储的地方，由多个行组构成，数据以流（stream）的形式进行存储。
• stripe footer：保存数据所在的文件目录。

rows data 存储两部分的数据，即 metadata stream 和 data stream：

• metadata stream：用于描述每个行组的元数据信息。
• data stream：存储数据的地方。

ORCFile 在每个文件中提供了 3 个级别的索引：

• 文件级：这一级的索引信息记录文件中所有 stripe 的位置信息，以及文件中所存储的每列数据的统计信息。
• 条带级别：该级别索引记录每个 stripe 所存储数据的统计信息。
• 在 stripe 中，每 10000 行构成一个行组，该级别的索引信息 就是记录这个行组中存储的数据的统计信息。

1）程序可以借助 ORCFile 提供的索引加快数据查找和读取效率。

2）程序在查询 ORCFile 文件类型的表时，会先读取每一列的索引信息，将查找数据的条件和索引信息进行对比，找到满足查找条件的文件。

3）接着根据文件中的索引信息，找到存储对应的查询条件数据 stripe，再借助 stripe 的索引信息读文件中满足查询条件的所有 stripe 块。

4）之后再根据 stripe 中每个行组的索引信息和查询条件比对的结果，找到满足要求的行组。

5）通过 ORCFile 这些索引，可以快速定位满足查询的数据块，规避大部分不满足查询条件的文件和数据块，相比于读取传统的数据文件，进行查找时需要遍历全部的数据，使用 ORCFile 可以避免磁盘和网络 I/O 的浪费，提升程序的查找效率，提升整个集群的工作负载。

3. ORCFile 的数据类型

Hive 在使用 ORCFile 文件进行存储数据时，描述这些数据的字段信息、字段类型信息及编码等相关信息都是和 ORCFile 中存储的数据放在一起的。

ORCFile 中每个块中的数据都是自描述的，不依赖外部的数据，也不存储在 Hive 的元数据库中。

ORCFile 提供的数据数据类型包含如下内容：

• 整型：包含 boolean（1bit）、tinyint（8bit）、smallint（16bit）、int（32bit）、bigint（64bit）。
• 浮点型：包含 float 和 double。
• 字符串类型：包含 string、char 和 varchar。
• 二进制类型：包含 binary。
• 日期和时间类型：包含 timestamp 和 date。
• 复杂类型：包含 struct、list、map 和 union 类型。

目前 ORCFile 基本已经兼容了日常所能用到的绝大部分的字段类型。另外，ORCFile 中所有的类型都可以接受 NULL 值。

4. ORCFile 相关的 Hive 配置

表的属性配置项有如下几个：

• orc.compress：表示 ORCFile 文件的压缩类型，可选的类型有 NONE、ZLIB 和 SNAPPY，默认值是 ZLIB。
• orc.compress.size：表示压缩块（chunk）的大小，默认值是 262144（256KB）。
• orc.stripe.size：写 stripe，可以使用的内存缓冲池大小，默认值是 67108864（64MB）。
• orc.row.index.stride：行组级别索引的数据量大小，默认是 10000，必须要设置成大于等于 10000 的数。
• orc.create.index：是否创建行组级别索引，默认是 true。
• orc.bloom.filter.columns：需要创建布隆过滤的组。
• orc.bloom.filter.fpp：使用布隆过滤器的假正（False Positive）概率，默认值是 0.05。

注：在 Hive 中使用布隆(bloom)过滤器，可以用较少的文件空间快速判定数据是否存在于表中，但是也存在将不属于这个表的数据判定为属于这个这表的情况，这个情况称之为假正概率，可以手动调整该概率，但概率越低，布隆过滤器所需要的空间越多。

3.4.5 Parquet

Parquet 是另外的一种高性能行列式的存储结构，可以适用多种计算框架，被多种查询引擎所支持，包括 Hive、Impala、Drill 等。

1. Parquet 基本结构：

在一个 Parquet 类型的 Hive 表文件中，数据被分成多个行组，每个列块又被拆分成若干的页（Page），如下图所示：

Parquet 在存储数据时，也同 ORCFile 一样记录这些数据的元数据，这些元数据也同 Parquet 的文件结构一样，被分成多层文件级别的元数据、列块级别的元数据及页级别的元数据。

文件级别的元数据（fileMetadata）记录主要如下：

• 表结构信息（Schema）；
• 该文件的记录数；
• 该文件拥有的行组，以及每个行组的数据总量，记录数；
• 每个行组下，列块的文件偏移量。

列块的元数据信息如下：

• 记录该列块的未压缩和压缩后的数据大小和压缩编码；
• 数据页的偏移量；
• 索引页的偏移量；
• 列块的数据记录数。

页头的元数据信息如下：

• 该页的编码信息；
• 该页的数据记录数。

程序可以借助 Parquet 的这些元数据，在读取数据时过滤掉不需要读取的大部分文件数据，加快程序的运行速度。

同 ORCFile 的元数据一样，Parquet 的这些元数据信息能够帮助提升程序的运行速度，但是 ORCFile 在读取数据时又做了一定的优化，增强了数据的读取效率。在查询时所消耗的集群资源比 Parquet 类型少。

Parquet 在嵌套式结构支持比较完美，而 ORCFile 多层级嵌套表达起来比较复杂，性能损失较大。

2. Parquet 的相关配置：

我们可以根据不同场景需求进行适当的参数调整，实现程序优化。

• parquet.block.size：默认值为 134217728 byte，即 128MB，表示 RowGroup 在内存中的块大小。该值设置得大，可以提升 Parquet 文件的读取效率，但是相应在写的时候需要耗费更多的内存。
• parquet.page.size：默认值为 1048576 byte，即 1MB，表示每个页 （page）的大小。这个特指压缩后的页大小，在读取时会先将页的数据进行解压。页是 Parquet 操作数据的最小单位，每次读取时必须读完一整页的数据才能访问数据。这个值如果设置得过小，会导致压缩时出现性能问题。
• parquet.compression：默认值为 UNCOMPRESSED（不压缩），表示页的压缩式。可以使用的压缩方式有 UNCOMPRESSED、SNAPPY、GZIP 和 LZO。
• parquet.enable.dictionary：默认为 true，表示是否启用字典编码。
• parquet.dictionary.page.size：默认值为 1048576 byte，即 1MB。在使用字典编码时，会在 Parquet 的每行每列中创建一个字典页。使用字典编码，如果存储的数据页中重复的数据较多，能够起到一个很好的压缩效果，也能减少每个页在内存的占用。

3.Parquet 和 ORC 压缩格式对比：

ORCFile 表支持 None、Zlib、Snappy 压缩，默认为 ZLIB 压缩。但这 3 种压缩格式不支持切分，所以适合单个文件不是特别大的场景。使用 Zlib 压缩率高，但效率差一些；使用 Snappy 效率高，但压缩率低。

Parquet 表支持 Uncompress、Snappy、Gzip、Lzo 压缩，默认不压缩(Uncompressed)。其中 Lzo 压缩是支持切分的，所以在表的单个文件较大的场景会选择 Lzo 格式。Gzip 方式压缩率高，效率低；而 Snappy、Lzo 效率高，压缩率低。