hive文件存储格式:SequenceFile系统总结

问题导读 1.什么是SequenceFile？ 2.如何通过源码实现SequenceFile压缩？ 3.SequenceFile格式压缩有什么优点和缺点？ 1.SequenceFile是什么 1.1 SequenceFile概述

1.1.sequenceFile文件是Hadoop用来存储二进制形式的<Key,Value>对而设计的一种平面文件(Flat File)。

1.2.可以把SequenceFile当做是一个容器，把所有的文件打包到SequenceFile类中可以高效的对小文件进行存储和处理。

1.3.SequenceFile文件并不按照其存储的Key进行排序存储，SequenceFile的内部类Writer提供了append功能。

1.4.SequenceFile中的Key和Value可以是任意类型Writable或者是自定义Writable。

1.5.在存储结构上，SequenceFile主要由一个Header后跟多条Record组成，Header主要包含了Key classname，value classname，存储压缩算法，用户自定义元数据等信息，此外，还包含了一些同步标识，用于快速定位到记录的边界。每条Record以键值对的方式进行存储，用来表示它的字符数组可以一次解析成：记录的长度、Key的长度、Key值和value值，并且Value值的结构取决于该记录是否被压缩。

1.2：SequenceFile支持数据压缩

2.1.SequenceFIle的内部格式取决于是否启用压缩，如果是压缩，则又可以分为记录压缩和块压缩。

2.2.有一下三种类型的压缩：

A.无压缩类型：如果没有启用压缩(默认设置)那么每个记录就由它的记录长度(字节数)、键的长度，键和值组成。长度字段为4字节。

B.记录压缩类型：记录压缩格式与无压缩格式基本相同，不同的是值字节是用定义在头部的编码器来压缩。注意：键是不压缩的。下图为记录压缩：

C.块压缩类型：块压缩一次压缩多个记录，因此它比记录压缩更紧凑，而且一般优先选择。当记录的字节数达到最小大小，才会添加到块。该最小值由io.seqfile.compress.blocksize中的属性定义。默认值是1000000字节。格式为记录数、键长度、键、值长度、值。下图为块压缩：

1.3：优缺点 SequenceFile优点： A.支持基于记录(Record)或块(Block)的数据压缩。 B.支持splitable，能够作为MapReduce的输入分片。 C.修改简单：主要负责修改相应的业务逻辑，而不用考虑具体的存储格式。 SequenceFile的缺点 A.需要一个合并文件的过程，且合并后的文件不方便查看。 2.SequenceFile类解析 SequenceFile类位于org.apache.hadoop.io包内，类结构如下：

3.读写SequenceFile源码实例 写过程 1、创建Configuration 2、获取FileSystem 3、创建文件输出路径Path 4、调用SequenceFile.createWriter得到SequenceFile.Writer对象 5、调用SequenceFile.Writer.append追加写入文件 6、关闭流 3 例子如下：

[Bash shell] 纯文本查看复制代码

import java.net.URI;
 
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.IntWritable;
import org.apache.hadoop.io.SequenceFile;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.io.SequenceFile.CompressionType;
import org.apache.hadoop.io.compress.BZip2Codec;
 
 
public class SequenceFileWrite {
 
    public static String uri = "hdfs://10.13.33.218:9000" ;
    public static String[] data = {
        "one,two" ,
        "three,four" ,
        "five,six" ,
        "seven,eight" ,
        "nine,ten"
    } ;
    public static void main(String args[])throws Exception{
        Configuration conf = new Configuration() ;
        FileSystem fs = FileSystem.get(URI.create(uri),conf) ;
//      Path path = new Path("/tmp.seq") ;
        Path path = new Path("/tmp1.seq") ;
        IntWritable key = new IntWritable() ;
        Text value = new Text() ;
        //SequenceFile.Writer writer = SequenceFile.createWriter(fs, conf,path, key.getClass(), value.getClass()) ;
        SequenceFile.Writer writer = SequenceFile.createWriter(fs, conf,path, key.getClass(), value.getClass(),CompressionType.RECORD,new BZip2Codec()) ;//对SequenceFile进行记录压缩
        for(int i=0;i<100;i++){
            key.set(100-i) ;
            value.set(data[i%data.length]) ;
            writer.append(key, value) ;
        }
        IOUtils.closeStream(writer) ;
    }
}

读过程 1、创建Configuration 2、获取FileSystem 3、创建文件输出路径Path 4、new一个SequenceFile.Reader进行读取 5、得到keyClass和valueClass 6、关闭流

[Bash shell] 纯文本查看复制代码

import java.net.URI;
 
import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.IOUtils;
import org.apache.hadoop.io.SequenceFile;
import org.apache.hadoop.io.Writable;
import org.apache.hadoop.util.ReflectionUtils;
 
 
public class SequenceFileRead {
 
    public static String uri = "hdfs://10.13.33.218:9000" ;
    public static String[] data = {
        "one,two" ,
        "three,four" ,
        "five,six" ,
        "seven,eight" ,
        "nine,ten"
    } ;
 
    public static void main(String[] args) throws Exception{
        Configuration conf = new Configuration() ;
        FileSystem fs = FileSystem.get(URI.create(uri),conf) ;
        //Path path = new Path("/tmp.seq") ;
        Path path = new Path("/tmp1.seq") ;
        SequenceFile.Reader reader = new SequenceFile.Reader(fs, path, conf) ;
        Writable key = (Writable)ReflectionUtils.newInstance(reader.getKeyClass(), conf) ;
        Writable value = (Writable)ReflectionUtils.newInstance(reader.getValueClass(), conf) ;
        while(reader.next(key,value)){
            System.out.println("key = " + key ) ;
            System.out.println("value = " + value) ;
            System.out.println("position = " + reader.getPosition()) ;//同步标识的偏移量
        }
 
        IOUtils.closeStream(reader) ;
    }
}

4.通过命令行接口显示SequenceFile hdfs dfs命令有一个-text选项可以以文本形式显示顺序文件，该选项可以查看文件的代码，由此检测出文件的类型并将其转换成相应的文本。该选项可以识别gzip压缩文件和顺序文件；否则，假设输入为纯文本文件。对于顺序文件，如果键和值是由具体含义的字符串表示，那么这个命令就非常有用(通过toString()方法定义)，同样，如果有自己定义的键或值的类，则应该确保它们在Hadoop类路径目录下。 project hdfs dfs -text tmp1.seq | head 5.SequenceFile的排序和合并 MapReduce是对多个顺序文件进行排序或合并的最有效的方法。MapReduce本身是并行的，并且可由用户指定要使用多少个reducer，该数决定这输出分区数。例如，通过指定一个reducer，可以得到一个输出文件。除了MapReduce实现排序/归并，还有一种方法是使用SequenceFile.Sorter类中的sort()方法和merge()方法。它们比MapReduce更早出现，比MapReduce更底层，为了实现并行，需要手动对数据进行分区，因此不建议使用。