如何使用鑲木地板文件格式和SNAPPY壓縮插入配置單元表？

Question

蜂巢2.1

我有以下表格定義：

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');

現在，我想向其中插入數據：

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

但是，當我查看數據文件時，只看到沒有任何壓縮的普通鑲木地板文件。 在這種情況下，如何啟用快速壓縮？

目標：以拼花格式和SNAPPY壓縮配置單元表數據。

我也嘗試設置多個屬性：

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');

但沒有任何幫助。 我對GZIP壓縮嘗試了同樣的方法，但似乎效果不佳。 我開始考慮是否有可能。 任何幫助表示贊賞。

Answer 1

檢查parquet-tools是否被壓縮的最好方法之一是使用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');

現在，當您查看文件時，它可能在任何地方都沒有.snappy

[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

讓我們進一步檢查...

[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壓縮。

Answer 2

小心TBLPROPERTIES 。

應該是TBLPROPERTIES("parquet.compression"="SNAPPY") TBLPROPERTIES("parquet.compress"="SNAPPY"); TBLPROPERTIES("parquet.compression"="SNAPPY")而不是TBLPROPERTIES("parquet.compress"="SNAPPY");

我對這兩種情況都進行了測試，第一種情況工作得很好。

測試環境：Cloudera CDH 5.13