在學習大資料技術的過程中，HIVE是非常重要的技術之一，但我們在專案上經常會遇到一些儲存和壓縮的坑，本文通過科多大資料的武老師整理，分享給大家。

大家都知道，由於叢集資源有限，我們一般都會針對資料檔案的「儲存結構」和「壓縮形式」進行配置優化。在我實際檢視以後，發現叢集的檔案儲存格式為Parquet，一種列式儲存引擎，類似的還有ORC。而檔案的壓縮形式為Snappy。具體的操作形式如下：

① 建立Parquet結構的表（Hive 0.13 and later）：

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

② 確認表的檔案儲存格式：

desc formatted crm.demo;

結果輸出如下

# 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 

③ 建立Snappy壓縮格式的Parquet結構的表(待考察)：

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

或，寫入時

SET parquet.compression=SNAPPY ;

回到最初的問題，如果是按Snappy壓縮的格式，這份使用者行為資料沒辦法分析了，因此有兩種辦法去解決：

① 安裝Snappy的解壓工具

可自行百度，由於沒有許可權，所以這條路行不通；

② 更改資料的壓縮格式

最初我試了一下更改Parquet格式表的壓縮格式，但是沒有用！因為我最後是需要將查詢資料匯出到本地檔案系統，如下語句所示：

insert  overwrite  local  directory  '/home/etl/tmp/data'

select *

from crm.demo

所以，通過這樣的形式得到的資料，壓縮格式依然是. Snappy。因此，這裡就需要配置Hive執行過程中的中間資料和最終資料的壓縮格式。

如MapReduce的shuffle階段對mapper產生的中間結果資料壓縮：

hive> set mapred.map.output.compression.codec;

mapred.map.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec

如對最終生成的Hive表的資料壓縮：

hive> set mapred.output.compression.codec;

mapred.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec

這裡，我們要設定結果表資料的壓縮格式，語句如下：

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

最終的結果就是 .gz 的壓縮格式

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

最後，我們直接下載到電腦本地，直接解壓就可以通過Excel分析使用者行為路徑資料了。

總結：從Hive應用層的角度來說，關於資料檔案的「儲存結構」和「壓縮形式」，這兩個點我們不需要關心，只是在匯出資料的時候需要結合檔案大小，以及資料型別去設定合適的壓縮格式。不過從Hive底層維護的角度來說，涉及到各種各樣的「儲存結構」和「壓縮形式」，都需要開發者去研究和調整，這樣才能保證叢集上的檔案在「時間」和「空間」上相對平衡。