Hadoop 源码编译支持Snappy压缩

资源准备

1. CentOS联网
   配置CentOS能连接外网。Linux虚拟机ping www.baidu.com 是畅通的
   注意：采用root角色编译，减少文件夹权限出现问题
2. jar包准备(hadoop源码、JDK8 、maven、protobuf)
   （1）hadoop-2.7.2-src.tar.gz
   （2）jdk-8u144-linux-x64.tar.gz
   （3）snappy-1.1.3.tar.gz
   （4）apache-maven-3.0.5-bin.tar.gz
   （5）protobuf-2.5.0.tar.gz

jar包安装

注意：所有操作必须在root用户下完成

1. JDK解压、配置环境变量JAVA_HOME和PATH,验证
   tar -zxf jdk-8u144-linux-x64.tar.gz -C /opt/module/
   vim /etc/profile
   在文件末尾追加

#JAVA_HOME
export JAVA_HOME=/opt/module/jdk1.8.0_144
export PATH=$PATH:$JAVA_HOME/bin

source /etc/profile
java -version验证

2. Maven解压、配置 MAVEN_HOME和PATH
   tar -zxvf apache-maven-3.0.5-bin.tar.gz -C /opt/module/
   vim /etc/profile
   在文件末尾追加

#MAVEN_HOME
export MAVEN_HOME=/opt/module/apache-maven-3.0.5
export PATH=$PATH:$MAVEN_HOME/bin

source /etc/profile
mvn -version验证

编译源码

1. 准备编译环境
   yum install svn autoconf automake libtool cmake ncurses-devel openssl-devel gcc*
2. 编译安装snappy
   cd /opt/software/
   tar -zxvf snappy-1.1.3.tar.gz -C /opt/module/
   cd /opt/module/snappy-1.1.3/
   ./configure
   make
   make install

查看snappy库文件

ls -lh /usr/local/lib |grep snappy

3. 编译安装protobuf
   cd /opt/software/
   tar -zxvf protobuf-2.5.0.tar.gz -C /opt/module/
   cd /opt/module/protobuf-2.5.0/
   ./configure
   make
   make install

查看protobuf版本 测试是否安装成功

protoc --version

4. 编译hadoop native
   cd /opt/software/
   tar -zxvf hadoop-2.7.2-src.tar.gz
   cd /opt/software/hadoop-2.7.2-src/
   mvn clean package -DskipTests -Pdist,native -Dtar -Dsnappy.lib=/usr/local/lib -Dbundle.snappy

执行成功后，/opt/software/hadoop-2.7.2-src/hadoop-dist/target/hadoop-2.7.2.tar.gz即为新生成的支持snappy压缩的二进制安装包。

Hadoop压缩配置

MP支持的压缩编码

为了支持多种压缩/解压缩算法，Hadoop引入了编码/解码器，如下表

压缩性能的比较

http://google.github.io/snappy/
On a single core of a Core i7 processor in 64-bit mode, Snappy compresses at about 250 MB/sec or more and decompresses at about 500 MB/sec or more.

压缩参数配置

要在Hadoop中启用压缩，可以配置如下参数（mapred-site.xml、core-site.xml文件中）

开启Map输出阶段压缩

开启map输出阶段压缩可以减少job中map和Reduce task间数据传输量。具体配置如下
在hive客户端进行如下操作

1. 开启hive中间传输数据压缩功能
   set hive.exec.compress.intermediate=true;
2. 开启mapreduce中map输出压缩功能
   set mapreduce.map.output.compress=true;
3. 设置mapreduce中map输出数据的压缩方式
   set mapreduce.map.output.compress.codec= org.apache.hadoop.io.compress.SnappyCodec;
4. 查询

开启Reduce输出阶段压缩

当Hive将输出写入到表中时，输出内容同样可以进行压缩。属性hive.exec.compress.output控制着这个功能。用户可能需要保持默认设置文件中的默认值false，这样默认的输出就是非压缩的纯文本文件了。用户可以通过在查询语句或执行脚本中设置这个值为true，来开启输出结果压缩功能

1. 开启hive最终输出数据压缩功能
   set hive.exec.compress.output=true;
2. 开启mapreduce最终输出数据压缩
   set mapreduce.output.fileoutputformat.compress=true;
3. 设置mapreduce最终数据输出压缩方式
   set mapreduce.output.fileoutputformat.compress.codec = org.apache.hadoop.io.compress.SnappyCodec;
4. 设置mapreduce最终数据输出压缩为块压缩
   set mapreduce.output.fileoutputformat.compress.type=BLOCK;
5. 测试一下输出结果是否是压缩文件
   insert overwrite local directory '/opt/module/datas/distribute-result' select * from emp distribute by deptno sort by empno desc;

文件存储格式

Hive支持的存储数的格式主要有：TEXTFILE 、SEQUENCEFILE、ORC、PARQUET

列式存储和行式存储

列式存储和行式存储.png

如上图所示左边为逻辑表，右边第一个为行式存储，第二个为列式存储

1. 行存储的特点
   查询满足条件的一整行数据的时候，列存储则需要去每个聚集的字段找到对应的每个列的值，行存储只需要找到其中一个值，其余的值都在相邻地方，所以此时行存储查询的速度更快
2. 列存储的特点
   因为每个字段的数据聚集存储，在查询只需要少数几个字段的时候，能大大减少读取的数据量；每个字段的数据类型一定是相同的，列式存储可以针对性的设计更好的设计压缩算法

TEXTFILE和SEQUENCEFILE的存储格式都是基于行存储的；
ORC和PARQUET是基于列式存储的

TextFile格式

默认格式，数据不做压缩，磁盘开销大，数据解析开销大。可结合Gzip、Bzip2使用，但使用Gzip这种方式，hive不会对数据进行切分，从而无法对数据进行并行操作。

Orc格式

Orc (Optimized Row Columnar)是Hive 0.11版里引入的新的存储格式

orc格式.png

如上图所示可以看到每个Orc文件由1个或多个stripe组成，每个stripe250MB大小，这个Stripe实际相当于RowGroup概念，不过大小由4MB->250MB，这样应该能提升顺序读的吞吐率。每个Stripe里有三部分组成，分别是Index Data，Row Data，Stripe Footer

1. Index Data，一个轻量级的index，默认是每隔1W行做一个索引。这里做的索引应该只是记录某行的各字段在Row Data中的offset。
2. Row Data，存的是具体的数据，先取部分行，然后对这些行按列进行存储。对每个列进行了编码，分成多个Stream来存储。
3. Stripe Footer，存的是各个Stream的类型，长度等信息。

每个文件有一个File Footer，这里面存的是每个Stripe的行数，每个Column的数据类型信息等；每个文件的尾部是一个PostScript，这里面记录了整个文件的压缩类型以及FileFooter的长度信息等。在读取文件时，会seek到文件尾部读PostScript，从里面解析到File Footer长度，再读FileFooter，从里面解析到各个Stripe信息，再读各个Stripe，即从后往前读

Parquet格式

Parquet是面向分析型业务的列式存储格式，由Twitter和Cloudera合作开发，2015年5月从Apache的孵化器里毕业成为Apache顶级项目。
Parquet文件是以二进制方式存储的，所以是不可以直接读取的，文件中包括该文件的数据和元数据，因此Parquet格式文件是自解析的。
通常情况下，在存储Parquet数据的时候会按照Block大小设置行组的大小，由于一般情况下每一个Mapper任务处理数据的最小单位是一个Block，这样可以把每一个行组由一个Mapper任务处理，增大任务执行并行度。Parquet文件的格式如下图所示

Parquet.png

上图展示了一个Parquet文件的内容，一个文件中可以存储多个行组，文件的首位都是该文件的Magic Code，用于校验它是否是一个Parquet文件，Footer length记录了文件元数据的大小，通过该值和文件长度可以计算出元数据的偏移量，文件的元数据中包括每一个行组的元数据信息和该文件存储数据的Schema信息。除了文件中每一个行组的元数据，每一页的开始都会存储该页的元数据，在Parquet中，有三种类型的页：数据页、字典页和索引页。数据页用于存储当前行组中该列的值，字典页存储该列值的编码字典，每一个列块中最多包含一个字典页，索引页用来存储当前行组下该列的索引，目前Parquet中还不支持索引页

主流文件存储格式对比实验

从存储文件的压缩比和查询速度两个角度对比

存储文件的压缩比

测试数据

测试数据.png

1. TextFile

-- 创建表，存储数据格式为TEXTFILE
create table log_text (
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by '\t'
stored as textfile ;
-- 向表中加载数据
load data local inpath '/opt/module/datas/log.data' into table log_text ;
-- 查看表中数据大小
dfs -du -h /user/hive/warehouse/test.db/log_text;

log_text.png

2. ORC

-- 创建表，存储数据格式为ORC
create table log_orc(
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by '\t'
stored as orc ;
-- 向表中加载数据
insert into table log_orc select * from log_text ;
-- 查看表中数据大小
dfs -du -h /user/hive/warehouse/test.db/log_orc/ ;

log_orc.png

3. Parquet

-- 创建表，存储数据格式为parquet
create table log_parquet(
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by '\t'
stored as parquet ;
-- 向表中加载数据
insert into table log_parquet select * from log_text ;
-- 查看表中数据大小
dfs -du -h /user/hive/warehouse/test.db/log_parquet/ ;

log_parquet.png

存储文件的压缩比总结：
ORC > Parquet > textFile

存储文件的查询速度测试

1. TextFile

select count(*) from log_text;

log_text_speed.png

2. ORC

select count(*) from log_orc;

log_orc_speed.png

3. Parquet

select count(*) from log_parquet;

log_parquet_speed.png

存储文件的查询速度总结：查询速度相近

存储和压缩结合

修改hadoop集群具有Snappy压缩方式

1. 查看hadoop checknative命令使用

   
   
   hadoop checknative使用.png

2. 查看hadoop的支持的压缩方式

   
   
   hadoop checknative使用.png
   
   

   上图已支持Snappy压缩方式，如果不支持，按照如下步骤操作

3. 将编译好的支持Snappy压缩的hadoop-2.7.2.tar.gz包导入到hadoop100的/opt/software中
4. 解压hadoop-2.7.2.tar.gz到当前路径

5. 进入到/opt/software/hadoop-2.7.2/lib/native路径可以看到支持Snappy压缩的动态链接库

   
   
   支持snappy的hadoop.png
6. 拷贝/opt/software/hadoop-2.7.2/lib/native里面的所有内容到开发集群的/opt/module/hadoop-2.7.2/lib/native路径上
   cp ../native/* /opt/module/hadoop-2.7.2/lib/native/
7. 分发集群
   xsync native/
8. 再次查看hadoop支持的压缩类型
9. 重新启动hadoop集群和hive

测试存储和压缩

官网：https://cwiki.apache.org/confluence/display/Hive/LanguageManual+ORC
ORC存储方式的压缩

1. 创建一个非压缩的的ORC存储方式

-- 建表语句
create table log_orc_none(
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by '\t'
stored as orc tblproperties ("orc.compress"="NONE");
-- 插入数据
insert into table log_orc_none select * from log_text ;
-- 查看插入后数据
dfs -du -h /user/hive/warehouse/test.db/log_orc_none/ ;

file_orc_none.png

2. 创建一个SNAPPY压缩的ORC存储方式

-- 建表语句
create table log_orc_snappy(
track_time string,
url string,
session_id string,
referer string,
ip string,
end_user_id string,
city_id string
)
row format delimited fields terminated by '\t'
stored as orc tblproperties ("orc.compress"="SNAPPY");
-- 插入数据
insert into table log_orc_snappy select * from log_text ;
-- 查看插入后数据
dfs -du -h /user/hive/warehouse/test.db/log_orc_snappy/ ;

file_orc_snappy.png

3. 上一节中默认创建的ORC存储方式，导入数据后的大小为

   
   
   log_orc.png
   
   

   比Snappy压缩的还小。原因是orc存储文件默认采用ZLIB压缩。比snappy压缩的小

4. 存储方式和压缩总结
   hive表的数据存储格式一般选择：orc或parquet。压缩方式一般选择snappy，lzo