Hadoop文件格式初学者指南
几周前，我写了一篇有关Hadoop的文章，并谈到了它的不同部分。 以及它如何在数据工程中扮演重要角色。 在本文中，我将总结Hadoop中不同的文件格式。 本主题将是一个简短而快速的主题。 如果您想了解Hadoop的工作原理以及它在数据工程师中的重要作用，请在此处访问我关于Hadoop的文章，或乐于跳过。
Hadoop中的文件格式大致分为两类：面向行和面向列：
- 面向行：在一起存储的同一行数据是连续存储：SequenceFile，MapFile，Avro Datafile。 这样，如果仅需要访问该行的少量数据，则需要将整个行读入存储器。 延迟序列化可以将问题减轻到一定程度，但是无法取消从磁盘读取整行数据的开销。 面向行的存储适用于需要同时处理整行数据的情况。
- 面向列：整个文件分为几列数据，每列数据存储在一起：Parquet，RCFile，ORCFile。 面向列的格式可以在读取数据时跳过不需要的列，适用于字段中只有一小部分行的情况。 但是这种读取和写入格式需要更多的存储空间，因为高速缓存行需要位于内存中(以获取多行中的一列)。 同时，它不适合流式传输，因为一旦写入失败，就无法恢复当前文件，并且在写入失败时，面向行的数据可以重新同步到最后一个同步点，因此Flume使用 面向行的存储格式。
> Picture 1.(Left Side )Show the Logical Table and Picture 2. ( Right Side) Row-Oriented Layout(Sequ
> Picture 3. Column-oriented Layout (RC File)
如果仍不清楚行和列的方向，请不用担心，您可以访问此链接，了解它们之间的区别。
以下是在Hadoop系统上广泛使用的一些相关文件格式：
序列文件
存储格式取决于是否压缩以及使用记录压缩还是块压缩而有所不同：
> The Internal structure of a sequence file with no compression and with record compression.
- 不压缩：根据记录长度，键长，值程度，键值和值值顺序存储。 范围是字节数。 使用指定的序列化执行序列化。
- 记录压缩：仅压缩值，并将压缩的编解码器存储在标头中。
- 块压缩：将多个记录压缩在一起，以利用记录之间的相似性并节省空间。 同步标记被添加在块之前和之后。 该属性的最小值为io.seqfile.compress.blocksizeset。
> The internal structure of a sequence file with block compression
地图文件
MapFile是SequenceFile的变体。 将索引添加到SequenceFile并对其进行排序后，它就是MapFile。 索引存储为单独的文件，通常每128条记录存储一个索引。 可以将索引加载到内存中以进行快速查找-存储按Key定义的顺序排列的数据的文件。 MapFile记录必须按顺序编写。 否则，将引发IOException。
MapFile的派生类型：
- SetFile：一个特殊的MapFile，用于存储可写类型的键序列。 密钥是按顺序写入的。
- ArrayFile：键是一个整数，表示数组中的位置，值是可写的。
- BloomMapFile：使用动态Bloom过滤器针对MapFile get()方法进行了优化。 过滤器存储在内存中，并且仅当键值存在时，才会调用常规的get()方法来执行读取操作。
Hadoop系统下面列出的文件包括RCFile，ORCFile和Parquet。 Avro的面向列的版本是Trevni。
RC文件
Hive的Record Columnar File(记录列文件)，这种类型的文件首先将数据按行划分为行组，然后在行组内部将数据存储在列中。 其结构如下：
> Data Layout of RC File in an HDFS block
与纯面向行和面向列的比较：
> Row-Store in an HDFS Block
> Column Group in HDFS Block
ORC文件
ORCFile(优化的记录列文件)提供了比RCFile更有效的文件格式。 它在内部将数据划分为默认大小为250M的Stripe。 每个条带均包含索引，数据和页脚。 索引存储每列的最大值和最小值以及列中每一行的位置。
> ORC File Layout
在Hive中，以下命令用于使用ORCFile：
CREATE TABLE ...STORED AAS ORC ALTER TABLE ... SET FILEFORMAT ORC SET hive.default.fileformat=ORC
Parquet
一种通用的基于列的存储格式，基于Google的Dremel。 特别擅长处理深度嵌套的数据。
> The internal Structure of Parquet File
对于嵌套结构，Parquet会将其转换为平面列存储，该存储由重复级别和定义级别(R和D)表示，并在读取数据以重建整个文件时使用元数据来重建记录。 结构体。 以下是R和D的示例：
AddressBook { contacts: { phoneNumber: "555 987 6543" } contacts: { } } AddressBook { }
就这样，现在，您知道了Hadoop中不同的文件格式。 如果您发现任何错误并提出建议，请随时与我联系。 您可以在我的LinkedIn上与我联系。
