本文共 1814 字，大约阅读时间需要 6 分钟。

大家都知道，由于集群资源有限，我们一般都会针对数据文件的「存储结构」和「压缩形式」进行配置优化。在我实际查看以后，发现集群的文件存储格式为Parquet，一种列式存储引擎，类似的还有ORC。而文件的压缩形式为Snappy。具体的操作形式如下：

创建Parquet结构的表(Hive 0.13 and later)：

CREATE TABLE CRM.DEMO(A INT) STORED AS PARQUET ;

确认表的文件存储格式：

desc formatted crm.demo;

结果输出如下

# Storage Information               SerDe Library:          org.apache.hadoop.hive.ql.io.parquet.serde.ParquetHiveSerDe        InputFormat:                 org.apache.hadoop.hive.ql.io.parquet.MapredParquetInputFormat       OutputFormat:               org.apache.hadoop.hive.ql.io.parquet.MapredParquetOutputFormat

创建Snappy压缩格式的Parquet结构的表(待考察)：

ALTER TABLE crm.demo SET TBLPROPERTIES ('parquet.compression'='SNAPPY') ;

或，写入时

SET parquet.compression=SNAPPY ;

回到最初的问题，如果是按Snappy压缩的格式，这份用户行为数据没办法分析了，因此有两种办法去解决：

① 安装Snappy的解压工具

可自行百度，由于没有权限，所以这条路行不通;

② 更改数据的压缩格式可以

最初我试了一下更改Parquet格式表的压缩格式，但是没有用!因为我最后是需要将查询数据导出到本地文件系统，如下语句所示：

insert overwrite local directory '/home/etl/tmp/data' select * from crm.demo

所以，通过这样的形式得到的数据，压缩格式依然是. Snappy。因此，这里就需要配置Hive执行过程中的中间数据和最终数据的压缩格式。

如MapReduce的shuffle阶段对mapper产生的中间结果数据压缩：

hive> set mapred.map.output.compression.codec;  mapred.map.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec

如对最终生成的Hive表的数据压缩：

hive> set mapred.output.compression.codec;  mapred.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec

这里，我们要设置结果表数据的压缩格式，语句如下：

set mapred.output.compression.codec=org.apache.hadoop.io.compress.GzipCodec;

最终的结果就是 .gz 的压缩格式

-rw-r--r-- 1 etl etl 342094 May 10 11:13 000000_0.gz

最后，我们直接下载到电脑本地，直接解压就可以通过Excel分析用户行为路径数据了。

总结：从Hive应用层的角度来说，关于数据文件的「存储结构」和「压缩形式」，这两个点我们不需要关心，只是在导出数据的时候需要结合文件大小，以及数据类型去设置合适的压缩格式。不过从Hive底层维护的角度来说，涉及到各种各样的「存储结构」和「压缩形式」，都需要开发者去研究和调整，这样才能保证集群上的文件在「时间」和「空间」上相对平衡。

在这里我为大家介绍一个大数据的交流群，615997810  大家有兴趣的话可以加进来，每周每晚都有大数据基础与项目实战的课程更新，也可以和大家一起相互学习交流讨论，群里的这些我整理了一些，可以加群直接找群主免费领取哦。

转载地址：http://sdyqz.baihongyu.com/