Hive存储格式的选择核心在于平衡查询性能与存储成本，Parquet列式存储适合海量数据分析，而ORC格式在压缩率和索引能力上更具优势，TextFile则仅适用于数据导入阶段的临时存储。
在大数据生态系统中，Hive作为数据仓库的基础设施，其底层存储格式直接决定了数据处理的效率，很多刚接触Hadoop生态的工程师往往忽视这一点，随意选择默认的TextFile格式，导致后续查询缓慢、资源浪费严重，业内专家指出，选择合适的存储格式是优化Hive性能的第一步，这不仅是技术选型问题,更是成本控制的关键。
![26 [大数据] hive 4种文件存储格式](https://i1.hdslb.com/bfs/archive/9fa31f9196cb1edab8804923f3e091f02a1b5a8a.jpg)
Hive常见存储格式深度解析
Hive支持多种存储格式，每种格式都有其特定的应用场景和优缺点，理解它们的底层逻辑,才能在实际工作中做出最优决策。
TextFile：基础但低效的默认选项
TextFile是Hive默认的存储格式，它以纯文本形式存储数据，行与行之间用换行符分隔，列与列之间用分隔符连接，这种格式最大的优点是兼容性极强，任何系统都能轻松读取，它的缺点也同样致命，由于是行式存储，当我们需要查询某几列数据时，Hive必须读取整行数据，造成大量的I/O浪费，TextFile不支持内置压缩，或者压缩效率极低,导致存储空间占用巨大。
SequenceFile：二进制行式存储的折中方案
SequenceFile是一种二进制格式，它将键值对存储在一起，相比TextFile，它支持Hadoop内置的压缩算法，如Snappy或Deflate，从而减少存储空间，它依然是行式存储，无法避免全表扫描的问题，在需要频繁进行列级查询的场景下，SequenceFile的性能提升有限，因此它通常被视为TextFile向列式存储过渡的中间方案,而非最终解决方案。
ORC：优化列式存储的性能之王
ORC（Optimized Row Columnar）格式是Hive官方推荐的高级存储格式，它在列式存储的基础上，引入了索引、压缩和位图等技术，ORC格式将数据按列存储，查询时只需读取需要的列，极大减少了I/O操作，ORC支持多种压缩算法，如ZLIB、SNAPPY等，能够在保证压缩率的同时,保持较高的解压速度。
ORC的核心优势
- 索引机制：ORC文件包含行组级别的索引,可以快速跳过不满足条件的数据块。
- 谓词下推：在MapReduce或Tez执行引擎中，ORC支持谓词下推，即在读取数据时就进行过滤,减少数据传输量。
- 类型感知：ORC文件存储了数据的类型信息,避免了运行时类型转换的开销。
Parquet：跨生态系统的通用标准
Parquet最初由Twitter和Cloudera联合开发，后来成为Apache顶级项目，它是一种列式存储格式，广泛应用于Hadoop生态之外的系统，如Spark、Presto、Impala等，Parquet的优势在于其良好的跨平台兼容性，如果你的数据需要在不同计算引擎间流转,Parquet是最佳选择。
Parquet与ORC的对比
虽然两者都是列式存储，但在细节上存在差异，ORC针对Hive进行了深度优化，支持更复杂的类型和索引；而Parquet则更注重通用性，支持嵌套数据结构，如JSON和Avro，在纯Hive环境下，ORC通常略胜一筹；但在多引擎混合环境中,Parquet的兼容性使其成为首选。
如何选择最适合你的Hive存储格式
在实际项目中，选择存储格式并非一成不变，需要根据业务场景灵活调整,以下是几种典型场景下的选型建议。
数据仓库分层架构中的格式策略
在构建数据仓库时，通常会将数据分为ODS（原始数据层）、DWD（明细数据层）、DWS（汇总数据层）和ADS（应用数据层）。
- ODS层：建议保持与源系统一致的格式，如TextFile或JSON,以便快速导入和追溯。
- DWD/DWS层：强烈建议使用Parquet或ORC格式，这一层的数据需要进行复杂的聚合和分析,列式存储能显著提升查询效率。
- ADS层：如果数据量较小，且需要与其他BI工具对接，可以使用Parquet；如果数据量极大且仅在Hive内部查询,ORC可能更优。
小文件问题的解决方案
Hive中常见的小文件问题会导致NameNode压力过大，查询性能下降，无论选择哪种存储格式,都需要定期合并小文件。
- 使用动态分区合并：在插入数据时，设置
hive.merge.tezfiles等参数,自动合并小文件。 - 定期执行ALTER TABLE CONCATENATE：对分区表执行合并命令,减少文件数量。
- 选择合适的压缩算法：对于ORC格式，推荐使用Snappy压缩,它在压缩率和解压速度之间取得了良好平衡。
实操指南：配置与优化技巧
仅仅知道格式优缺点是不够的，还需要掌握具体的配置方法,才能发挥存储格式的最大潜力。
创建表时的格式指定
在创建Hive表时，可以通过STORED AS子句指定存储格式,创建一个使用Parquet格式且使用Snappy压缩的表：
CREATE TABLE user_behavior (
user_id STRING,
item_id STRING,
behavior_type STRING,
ts BIGINT
)
STORED AS PARQUET
TBLPROPERTIES ('parquet.compression'='SNAPPY');
转换已有数据的格式
如果已经存在TextFile格式的数据，可以通过INSERT OVERWRITE命令将其转换为Parquet或ORC格式：
INSERT OVERWRITE TABLE user_behavior_parquet SELECT FROM user_behavior_textfile;
在执行此操作时，建议开启Map端合并小文件功能,以提高转换效率。
压缩算法的选择
压缩算法的选择直接影响CPU和I/O的平衡。
- Snappy：解压速度快，压缩率中等,适合对查询延迟敏感的场景。
- ZLIB：压缩率高，但解压速度慢,适合对存储成本敏感且查询频率较低的场景。
- LZO：压缩率和解压速度介于两者之间，但需要额外安装LZO库,维护成本较高。
多数情况下，Snappy是Hive环境下的首选，因为它能在不显著增加CPU负担的前提下,有效减少存储空间。
FAQ：关于Hive存储格式的常见疑问
Hive存储格式优缺点对比中，Parquet和ORC哪个更好？
这取决于具体场景，如果数据主要在Hive内部处理，且涉及复杂的谓词过滤和聚合，ORC凭借其对Hive的深度优化和索引能力，通常表现更佳，如果数据需要在Spark、Presto等其他引擎间共享，或者需要处理嵌套数据结构，Parquet的通用性和兼容性使其成为更稳妥的选择，业内共识认为，没有绝对的优劣,只有场景的适配。
TextFile格式是否应该完全弃用？
TextFile并未完全弃用，但在生产环境中已不再作为主要存储格式，它仍然适用于数据导入的临时阶段，或者与外部系统交互的接口层，对于核心的数据仓库层，建议全面转向列式存储格式,以提升查询性能和降低存储成本。
如何判断当前的存储格式是否合适？
可以通过监控查询执行时间、I/O吞吐量和存储空间占用来判断，如果查询响应时间过长，且I/O等待时间占比高，说明当前格式可能不适合列式查询，如果存储空间占用过大，且压缩率低下，则需要考虑更换为支持高效压缩的列式格式，据统计，迁移到Parquet或ORC后，多数企业的查询性能提升了数倍，存储成本降低了50%以上。
Hive存储格式的选择是一项系统工程，需要综合考虑查询模式、存储成本、计算引擎兼容性等因素，在实际操作中，建议优先采用Parquet或ORC格式，并结合动态分区和压缩算法进行优化,以实现性能与成本的最佳平衡。
首发原创文章，作者：王坚，如若转载，请注明出处：https://idctop.com/article/465119.html
