如何使用 parquet 文件格式和 SNAPPY 压缩插入配置单元 table？

Question

蜂巢 2.1

我有以下 table 定义：

CREATE EXTERNAL TABLE table_snappy (
a STRING,
b INT) 
PARTITIONED BY (c STRING)
ROW FORMAT SERDE
  'org.apache.hadoop.hive.ql.io.parquet.serde.ParquetHiveSerDe'
STORED AS INPUTFORMAT
  'org.apache.hadoop.hive.ql.io.parquet.MapredParquetInputFormat'
OUTPUTFORMAT
  'org.apache.hadoop.hive.ql.io.parquet.MapredParquetOutputFormat'
LOCATION '/'
TBLPROPERTIES ('parquet.compress'='SNAPPY');

现在，我想向其中插入数据：

INSERT INTO table_snappy PARTITION (c='something') VALUES ('xyz', 1);

但是，当我查看数据文件时，我看到的只是没有任何压缩的普通镶木地板文件。在这种情况下如何启用 snappy 压缩？

目标：以 parquet 格式和 SNAPPY 压缩配置单元 table 数据。

我也试过设置多个属性:

SET parquet.compression=SNAPPY;
SET hive.exec.compress.output=true;
SET mapred.output.compression.codec=org.apache.hadoop.io.compress.SnappyCodec;
SET mapred.output.compression.type=BLOCK;
SET mapreduce.output.fileoutputformat.compress=true;
SET mapreduce.output.fileoutputformat.compress.codec=org.apache.hadoop.io.compress.SnappyCodec;
SET PARQUET_COMPRESSION_CODEC=snappy;

以及

TBLPROPERTIES ('parquet.compression'='SNAPPY');

但没有任何帮助。我对 GZIP 压缩进行了同样的尝试，但似乎效果不佳。我开始考虑是否可能。任何帮助表示赞赏。

Answer 1

检查文件是否压缩的最佳方法之一是使用 parquet-tools。

create external table testparquet (id int, name string) 
  stored as parquet 
  location '/user/cloudera/testparquet/'
  tblproperties('parquet.compression'='SNAPPY');

insert into testparquet values(1,'Parquet');

现在当您查看该文件时，它可能 .snappy 任何地方都没有

[cloudera@quickstart ~]$ hdfs dfs -ls /user/cloudera/testparquet
Found 1 items
-rwxr-xr-x   1 anonymous supergroup        323 2018-03-02 01:07 /user/cloudera/testparquet/000000_0

让我们进一步检查...

[cloudera@quickstart ~]$ hdfs dfs -get /user/cloudera/testparquet/*
[cloudera@quickstart ~]$ parquet-tools meta 000000_0 
creator:     parquet-mr version 1.5.0-cdh5.12.0 (build ${buildNumber}) 

file schema: hive_schema 
-------------------------------------------------------------------------------------------------------------------------------------------------------------
id:          OPTIONAL INT32 R:0 D:1
name:        OPTIONAL BINARY O:UTF8 R:0 D:1

row group 1: RC:1 TS:99 
-------------------------------------------------------------------------------------------------------------------------------------------------------------
id:           INT32 SNAPPY DO:0 FPO:4 SZ:45/43/0.96 VC:1 ENC:PLAIN,RLE,BIT_PACKED
name:         BINARY SNAPPY DO:0 FPO:49 SZ:58/56/0.97 VC:1 ENC:PLAIN,RLE,BIT_PACKED
[cloudera@quickstart ~]$

它是 snappy 压缩的。

Answer 2

小心TBLPROPERTIES。

应该是 TBLPROPERTIES("parquet.compression"="SNAPPY") 而不是 TBLPROPERTIES("parquet.compress"="SNAPPY");

我已经对这两种情况进行了测试，第一种情况非常好。

测试环境：Cloudera CDH 5.13

如何使用 parquet 文件格式和 SNAPPY 压缩插入配置单元 table？

How can I insert into a hive table with parquet fileformat and SNAPPY compression?

compression

hadoop

hive

snappy

parquet