configuration - 在 Hive 中为 INSERT OVERWRITE SELECT 指定压缩编解码器

Question

我有一个蜂巢表

  CREATE TABLE beacons
 (
     foo string,
     bar string,
     foonotbar string
 )
 COMMENT "Digest of daily beacons, by day"
 PARTITIONED BY ( day string COMMENt "In YYYY-MM-DD format" );

为了填充，我正在做类似的事情：

 SET hive.exec.compress.output=True;
 SET io.seqfile.compression.type=BLOCK;

 INSERT OVERWRITE TABLE beacons PARTITION ( day = "2011-01-26" ) SELECT
   someFunc(query, "foo") as foo,
   someFunc(query, "bar") as bar,
   otherFunc(query, "foo||bar") as foonotbar
   )
  FROM raw_logs
WHERE day = "2011-01-26";

这将使用通过 deflate 压缩的单个产品构建一个新分区，但这里的理想情况是通过 LZO 压缩编解码器。

不幸的是，我不确定如何实现这一点，但我认为它是众多运行时设置之一，或者可能只是 CREATE TABLE DDL 中的附加行。

Answer 1

在 INSERT OVERWRITE 之前添加以下运行时配置值：

SET hive.exec.compress.output=true; 
SET io.seqfile.compression.type=BLOCK;
SET mapred.output.compression.codec = com.hadoop.compression.lzo.LzopCodec;

还要通过检查确保您拥有所需的压缩编解码器：

io.compression.codecs

关于 io.seqfile.compression.type 的更多信息可以在这里找到http://wiki.apache.org/hadoop/Hive/CompressedStorage

我可能弄错了，但似乎 BLOCK 类型可以确保以更高的比率压缩更大的文件，而不是一组较小的低压缩文件。