1、hive文件存储格式算法
Hive支持的存储数的格式主要有：TEXTFILE 、SEQUENCEFILE、ORC、PARQUET。app
上图左边为逻辑表，右边第一个为行式存储，第二个为列式存储。编码
行存储的特色： 查询知足条件的一整行数据的时候，列存储则须要去每一个汇集的字段找到对应的每一个列的值，行存储只须要找到其中一个值，其他的值都在相邻地方，因此此时行存储查询的速度更快。spa
列存储的特色： 由于每一个字段的数据汇集存储，在查询只须要少数几个字段的时候，能大大减小读取的数据量；每一个字段的数据类型必定是相同的，列式存储能够针对性的设计更好的设计压缩算法。设计
TEXTFILE和SEQUENCEFILE的存储格式都是基于行存储的；ORC和PARQUET是基于列式存储的。3d
一、行存储textFile 格式blog
默认格式，数据不作压缩，磁盘开销大，数据解析开销大。可结合Gzip、Bzip2使用，但使用Gzip这种方式，hive不会对数据进行切分，从而没法对数据进行并行操做。索引
二、列存储orc格式ip
Orc (Optimized Row Columnar)是Hive 0.11版里引入的新的存储格式。开发
能够看到每一个Orc文件由1个或多个stripe组成，每一个stripe250MB大小，这个Stripe实际至关于RowGroup概念，不过大小由4MB->250MB，这样应该能提高顺序读的吞吐率。每一个Stripe里有三部分组成，分别是Index Data，Row Data，Stripe Footer：
1）Index Data：一个轻量级的index，默认是每隔1W行作一个索引。这里作的索引应该只是记录某行的各字段在Row Data中的offset。
2）Row Data：存的是具体的数据，先取部分行，而后对这些行按列进行存储。对每一个列进行了编码，分红多个Stream来存储。
3）Stripe Footer：存的是各个Stream的类型，长度等信息。
每一个文件有一个File Footer，这里面存的是每一个Stripe的行数，每一个Column的数据类型信息等；每一个文件的尾部是一个PostScript，这里面记录了整个文件的压缩类型以及FileFooter的长度信息等。在读取文件时，会seek到文件尾部读PostScript，从里面解析到File Footer长度，再读FileFooter，从里面解析到各个Stripe信息，再读各个Stripe，即从后往前读。
--------------------------------------------
三、列存储parquet格式
Parquet是面向分析型业务的列式存储格式，由Twitter和Cloudera合做开发，2015年5月从Apache的孵化器里毕业成为Apache顶级项目。
Parquet文件是以二进制方式存储的，因此是不能够直接读取的，文件中包括该文件的数据和元数据，所以Parquet格式文件是自解析的。
一般状况下，在存储Parquet数据的时候会按照Block大小设置行组的大小，因为通常状况下每个Mapper任务处理数据的最小单位是一个Block，这样能够把每个行组由一个Mapper任务处理，增大任务执行并行度。Parquet文件的格式以下图所示。
上图展现了一个Parquet文件的内容，一个文件中能够存储多个行组，文件的首位都是该文件的Magic Code，用于校验它是不是一个Parquet文件，Footer length记录了文件元数据的大小，经过该值和文件长度能够计算出元数据的偏移量，文件的元数据中包括每个行组的元数据信息和该文件存储数据的Schema信息。除了文件中每个行组的元数据，每一页的开始都会存储该页的元数据，在Parquet中，有三种类型的页：数据页、字典页和索引页。数据页用于存储当前行组中该列的值，字典页存储该列值的编码字典，每个列块中最多包含一个字典页，索引页用来存储当前行组下该列的索引，目前Parquet中还不支持索引页。
存储文件的压缩比总结：
ORC > Parquet > textFile
存储文件的查询速度总结：查询速度相近。
在实际的项目开发当中，hive表的数据存储格式通常选择：orc或parquet。压缩方式通常选择snappy，lzo。