大数据文件格式与压缩算法小结

小结一下Hadoop/Hive的文件格式压缩算法,目录如下,

0. Overview
1. 文件格式
2. 压缩算法
3. Others
4. Reference

Overview

文件格式和压缩算法在大数据系统里面是一个高关注的优化点,双方常常是配合着一起调优使用。


1. 文件格式

A file format is the way in which information is stored or encoded in a computer file. In Hive it refers to how records are stored inside the file. As we are dealing with structured data, each record has to be its own structure. How records are encoded in a file defines a file format.

file format characteristics hive storage option
TextFile plain text, default format STORED AS TEXTFILE
SequenceFile row-based, binary key-value, splittable STORED AS SEQUENCEFILE
Avro row-based, binary or JSON, splittable STORED AS AVRO
RCFile columnar, RLE STORED AS RCFILE
ORCFile Optimized RC, Flatten STORED AS ORC
Parquet column-oriented binary file, Nested STORED AS PARQUET

2. 压缩算法

To balance the processing capacity required to compress and uncompress the data, the CPU required to processing compress or uncompress data, the disk IO required to read and write the data, and the network bandwidth required to send the data across the network.

Compression is not recommended if your data is already compressed (such as images in JPEG format). In fact, the resulting file can actually be larger than the original.

compression format characteristics splittable
DEFLATE DefaultCodec no
GZip uses more CPU resources than Snappy or LZO; provides a higher compression ratio; A good choice for cold data no
BZip2 more compression than GZip yes
LZO better choice for hot data yes if indexed
LZ4 significantly faster than LZO no
Snappy performs better than LZO, better choice for hot data yes?

Others

  • 游程编码,Run Length Encoding,RLE,常用于列式存储,4A3B2C1D4E
  • 纠删码,Erasure Coding,EC,hadoop 3.0.0的replica,但由于其带宽和cpu高消耗,常用于冷数据,k块原始+m块校验
  • Doc Values,最大公约数压缩,偏移量进行编码,按照docid排序的,利用内存映射文件mmap,预读取机制
  • skipList
  • bitSet [1,3,4,7,10]->[1,0,1,1,0,0,1,0,0,1]
  • Roaring Bitmap (bitset improvement),类似RLE,4A3B
  • Frame Of Reference编码
  • 数值差分[73,300,302,332,343,372]->[73,227,2,30,11,29]
  • term index,tire树
  • term dictionary
  • finite state transducers
    FST
  • 维度字段上移到父文档里,而不用在每个子文档里重复存储,从而减少索引的尺寸
  • segment一个int就可以存储
  • Hyperloglog
  • 聚合之后再做聚合,Pipeline Aggregation

Reference

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 194,911评论 5 460
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 82,014评论 2 371
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 142,129评论 0 320
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 52,283评论 1 264
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 61,159评论 4 357
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 46,161评论 1 272
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 36,565评论 3 382
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 35,251评论 0 253
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 39,531评论 1 292
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 34,619评论 2 310
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 36,383评论 1 326
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 32,255评论 3 313
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 37,624评论 3 299
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 28,916评论 0 17
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 30,199评论 1 250
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 41,553评论 2 342
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 40,756评论 2 335

推荐阅读更多精彩内容