有人可以解释一下 orcfiledump 的输出吗？

Question

我的表test_orc 包含（一个分区）：

col1 col2 part1
abc  def  1
ghi  jkl  1
mno  pqr  1
koi  hai  1
jo   pgl  1
hai  tre  1

通过运行

hive --orcfiledump /hive/user.db/test_orc/part1=1/000000_0

我得到以下信息：

Structure for /hive/a0m01lf.db/test_orc/part1=1/000000_0 .  
2018-02-18 22:10:24 INFO: org.apache.hadoop.hive.ql.io.orc.ReaderImpl -  Reading ORC rows from /hive/a0m01lf.db/test_orc/part1=1/000000_0 with {include: null, offset: 0, length: 9223372036854775807} .  
Rows: 6 .  
Compression: ZLIB .  
Compression size: 262144 .  
Type: struct<_col0:string,_col1:string> .  

Stripe Statistics:   
  Stripe 1:   
    Column 0: count: 6 .  
    Column 1: count: 6 min: abc max: mno sum: 17 .  
    Column 2: count: 6 min: def max: tre sum: 18 .  

File Statistics:   
  Column 0: count: 6 .  
  Column 1: count: 6 min: abc max: mno sum: 17 .  
  Column 2: count: 6 min: def max: tre sum: 18 .  

Stripes:   
  Stripe: offset: 3 data: 58 rows: 6 tail: 49 index: 67 .  
    Stream: column 0 section ROW_INDEX start: 3 length 9 .  
    Stream: column 1 section ROW_INDEX start: 12 length 29 .  
    Stream: column 2 section ROW_INDEX start: 41 length 29 .  
    Stream: column 1 section DATA start: 70 length 20 .  
    Stream: column 1 section LENGTH start: 90 length 12 .  
    Stream: column 2 section DATA start: 102 length 21 .  
    Stream: column 2 section LENGTH start: 123 length 5 .  
    Encoding column 0: DIRECT .  
    Encoding column 1: DIRECT_V2 .  
    Encoding column 2: DIRECT_V2 .  

关于条纹的部分是什么意思？

Answer 1

首先，让我们看看 ORC 文件的样子。

现在上图和您的问题中使用了一些关键字！

• Stripe - 存储在 ORC 文件中的数据块。任何 ORC 文件都分为这些块，称为条带，每个大小为 250 MB，其中包含索引数据、实际数据和存储在该条带中的实际数据的一些元数据。
• 压缩 - 用于压缩存储数据的压缩编解码器。 ZLIB 是 ORC 的默认值。

• 索引数据 - 包括每列的最小值和最大值以及每列中的行位置。 （也可以包括位字段或布隆过滤器。）行索引条目提供了偏移量，可以在解压缩块中找到正确的压缩块和字节。 请注意，ORC 索引仅用于条带和行组的选择，而不用于回答查询。

• 行数据 - 实际数据。用于表扫描。

• 条带页脚 - 条带页脚包含每列的编码和流的目录，包括它们的位置。为了描述每个流，ORC 以字节为单位存储流的类型、列 ID 和流的大小。每个流中存储的内容的详细信息取决于列的类型和编码。

• Postscript - 保存压缩参数和压缩页脚的大小。

• 文件页脚 - 文件页脚包含文件中的条带列表、每个条带的行数以及每列的数据类型。它还包含列级聚合计数、最小值、最大值和总和。

现在！谈谈你从 orcfiledump 的输出。

1. 首先是关于您的文件的一般信息。名称、位置、压缩编解码器、压缩大小等。
2. 条带统计将列出您的 ORC 文件中的所有条带及其相应信息。您可以查看有关整数列的计数和一些统计信息，例如 min、max、sum 等。
3. 文件统计类似于#2。仅针对完整文件，而不是 #2 中的每个条带。
4. 最后一部分，Stripe 部分，讨论文件中的每一列以及每一列的相应索引信息。

此外，您可以使用 orcfiledump 的各种选项来获得“所需”的结果。遵循方便的指南。

// Hive version 0.11 through 0.14:
hive --orcfiledump <location-of-orc-file>

// Hive version 1.1.0 and later:
hive --orcfiledump [-d] [--rowindex <col_ids>] <location-of-orc-file>

// Hive version 1.2.0 and later:
hive --orcfiledump [-d] [-t] [--rowindex <col_ids>] <location-of-orc-file>

// Hive version 1.3.0 and later:
hive --orcfiledump [-j] [-p] [-d] [-t] [--rowindex <col_ids>] [--recover] [--skip-dump] 
    [--backup-path <new-path>] <location-of-orc-file-or-directory>

按照上面命令中使用的选项的快速指南。

• 在命令中指定 -d 将导致它转储 ORC 文件数据 而不是元数据（Hive 1.1.0 及更高版本）。
• 用逗号分隔的列 ID 列表指定 --rowindex 将 使其打印指定列的行索引，其中 0 是 包含所有列的顶级结构，1 是第一个 列 ID（Hive 1.1.0 及更高版本）。
• 在命令中指定 -t 将打印 作家。
• 在命令中指定 -j 将以 JSON 格式打印 ORC 文件元数据 格式。要漂亮地打印 JSON 元数据，请在命令中添加 -p。
• 在命令中指定 --recover 将恢复损坏的 ORC 文件 由 Hive 流式传输生成。
• 指定 --skip-dump 和 --recover 将执行恢复 无需转储元数据。
• 使用新路径指定 --backup-path 将使恢复工具 将损坏的文件移动到指定的备份路径（默认：/tmp）。
• 是 ORC 文件的 URI。
• 是 ORC 文件的 URI 或 目录。从 Hive 1.3.0 开始，此 URI 可以是目录 包含 ORC 文件。

希望有帮助！