常见的 DB 数据库,大多都是行式存储系统,比如 MySql,Oracle 等,利于数据一行一行的写入,所以数据的写入会更快,对按行查询数据也更简单。但是像现在常见的 HBase 存储大数据确使用的列式存储,那列式存储有什么优点呢。
在大数据场景下,核心便是 OLAP,对于这种场景下,如果是行式存储,一个典型的查询需要遍历整个表,进行分组、排序、聚合等操作,而一般情况下仅仅对其中某些感兴趣的列做运算,那一行中那些无关的列也不得不参与扫描。如果是列式存储,可以只扫描我们需要的列,不需要将无关的列进行扫描,减少不必要的IO及磁盘检索消耗,可以大大提升读的性能。
同理列式存储在写操作时便性能不如行式存储,因此对于平常的 OLTP 场景基本都是使用的 MySql、Oracle 这类的行式数据库,而在大数据分析时的 OLAP 时可以考虑使用列式存储。
例如下面这种数据:
id | name |
---|---|
1001 | 张三 |
1002 | 李四 |
1003 | 王五 |
如果是行式存储则转化后是:
1001 | 张三 | 1002 | 李四 | 1003 | 王五 |
---|
如果是列的话则是:
1001 | 1002 | 1003 | 张三 | 李四 | 王五 |
---|
读取某一列数据直接将列的块取出即可,并且相同的列数据类型一致,有利于数据结构填充的优化和压缩,而且对于数字列这种数据类型可以采取更多有利的算法去压缩存储。
下面是列式存储和行式存储对比:
行式存储 | 列式存储 | |
---|---|---|
读取特点 | 会扫描不需要的数据列 | 只读取需要的数据列 |
适用场景 | 适合于按记录读写数据的场景,不适合聚合统计的场景 | 适合于数据过滤、聚合统计的场景,不适合按记录一个一个读写场景 |
应用 | OLTP | OLAP |
压缩 | 不利于压缩数据 | 适合压缩数据 |
ORC(OptimizedRC File)文件格式是一种 Hadoop 生态圈中的列式存储格式,源自于RC(RecordColumnar File),它的产生早在2013年初,最初产生自Apache Hive,用于降低Hadoop数据存储空间和加速Hive查询速度。它并不是一个单纯的列式存储格式,仍然是首先根据行组分割整个表,在每一个行组内进行按列存储。ORC文件是自描述的,它的元数据使用Protocol Buffers序列化,并且文件中的数据尽可能的压缩以降低存储空间的消耗,目前也被Spark SQL、Presto等查询引擎支持。2015年ORC项目被Apache项目基金会提升为Apache顶级项目。
ORC文件基本存储结构:
ORC文件中保存了三个层级的统计信息,分别为文件级别、stripe级别和row group级别的,他们都可以用来根据 Search ARGuments(谓词下推条件)判断是否可以跳过某些数据,在统计信息中都包含成员数和是否有null值,并且对于不同类型的数据设置一些特定的统计信息。
下面是网上公布的性能对比效果:
可以看出 ORC 的性能还是较不错的。下面在 MapReduce 中适用 ORC 存储。
首先添加 ORC 依赖:
<dependency>
<groupId>org.apache.orcgroupId>
<artifactId>orc-shimsartifactId>
<version>1.6.3version>
dependency>
<dependency>
<groupId>org.apache.orcgroupId>
<artifactId>orc-coreartifactId>
<version>1.6.3version>
dependency>
<dependency>
<groupId>org.apache.orcgroupId>
<artifactId>orc-mapreduceartifactId>
<version>1.6.3version>
dependency>
下面将下面文本数据,转化为 ORC 文件格式,分别对应的字段信息:date(日期),county(县),state(州),fips(县编码code),cases(累计确诊病例),deaths(累计死亡病例)
public class OrcFileDriver extends Configured implements Tool {
private static final String SCHEMA = "struct" ;
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
OrcConf.MAPRED_OUTPUT_SCHEMA.setString(conf, SCHEMA);
int status = ToolRunner.run(conf, new OrcFileDriver(), args);
System.exit(status);
}
@Override
public int run(String[] args) throws Exception {
Job job = Job.getInstance(getConf(), OrcFileDriver.class.getSimpleName());
job.setJarByClass(OrcFileDriver.class);
job.setMapperClass(FileMapper.class);
job.setMapOutputKeyClass(NullWritable.class);
job.setMapOutputValueClass(OrcStruct.class);
job.setNumReduceTasks(0);
job.setOutputFormatClass(OrcOutputFormat.class);
FileInputFormat.addInputPath(job, new Path("D:/test/input"));
Path output = new Path("D:/test/output");
FileSystem fs = FileSystem.get(getConf());
if (fs.exists(output)) {
fs.delete(output, true);
}
FileOutputFormat.setOutputPath(job, output);
return job.waitForCompletion(true) ? 0 : 1;
}
public static class FileMapper extends Mapper<LongWritable, Text, NullWritable, OrcStruct> {
private final NullWritable outputKey = NullWritable.get();
private final OrcStruct outputValue = (OrcStruct) OrcStruct.createValue(TypeDescription.fromString(SCHEMA));
@Override
protected void map(LongWritable key, Text value, Context context) throws IOException, InterruptedException {
String[] fields = value.toString().split(",");
//将所有字段赋值给Value中的列
try {
outputValue.setFieldValue(0, new Text(fields[0]));
outputValue.setFieldValue(1, new Text(fields[1]));
outputValue.setFieldValue(2, new Text(fields[2]));
outputValue.setFieldValue(3, new Text(fields[3]));
outputValue.setFieldValue(4, new Text(fields[4]));
outputValue.setFieldValue(5, new Text(fields[5]));
context.write(outputKey, outputValue);
} catch (Exception e) {
e.printStackTrace();
}
}
}
}
下面读取 ORC 文件,转化为文本:
public class OrcFileDriver extends Configured implements Tool {
private static final String SCHEMA = "struct" ;
public static void main(String[] args) throws Exception {
Configuration conf = new Configuration();
OrcConf.MAPRED_OUTPUT_SCHEMA.setString(conf, SCHEMA);
int status = ToolRunner.run(conf, new OrcFileDriver(), args);
System.exit(status);
}
@Override
public int run(String[] args) throws Exception {
Job job = Job.getInstance(getConf(), OrcFileDriver.class.getSimpleName());
job.setJarByClass(OrcFileDriver.class);
job.setMapperClass(FileMapper.class);
job.setMapOutputKeyClass(Text.class);
job.setMapOutputValueClass(Text.class);
job.setNumReduceTasks(0);
job.setInputFormatClass(OrcInputFormat.class);
// job.setOutputFormatClass(OrcOutputFormat.class);
FileInputFormat.addInputPath(job, new Path("D:/test/output"));
Path output = new Path("D:/test/output1");
FileSystem fs = FileSystem.get(getConf());
if (fs.exists(output)) {
fs.delete(output, true);
}
FileOutputFormat.setOutputPath(job, output);
return job.waitForCompletion(true) ? 0 : 1;
}
public static class FileMapper extends Mapper<NullWritable, OrcStruct, NullWritable, Text> {
private NullWritable outputKey = NullWritable.get();
private Text outputValue = new Text();
@Override
protected void map(NullWritable key, OrcStruct value, Context context) throws IOException, InterruptedException {
outputValue.set(
value.getFieldValue(0).toString()+","+
value.getFieldValue(1).toString()+","+
value.getFieldValue(2).toString()+","+
value.getFieldValue(3).toString()+","+
value.getFieldValue(4).toString()+","+
value.getFieldValue(5).toString()
);
//输出结果
context.write(outputKey, outputValue);
}
}
}
注意如果打包后发布到 Yarn 集群中运行,需要将 orc-mapreduce 的jar包依赖添加到Hadoop的环境变量中,注意所有NodeManager节点都要添加。