hadoop - 为什么 orc 文件比 Hive 中的 parquet 文件占用更多空间？

Question

据我了解，ORC 文件应该比 parquet 文件更小且压缩率更高。但是，当我通过从 parquet 表中选择行来填充 Apache Hive 中的 orc 表时，orc 表最终消耗了大约 7 倍的磁盘空间。

知道为什么会这样吗？我的表架构如下。它包含一个长度为 200000 的整数数组 0、1​​ 和 2，每个分区大约有 10000 行。

CREATE TABLE orc_table (
  field1 STRING
, field2 INT
, field3 STRING
, field4 STRING
, array_field ARRAY < INT >
) PARTITIONED BY (
    partition_name STRING
);

ALTER TABLE orc_table ADD PARTITION (partition_name='<partition-name>');

ALTER TABLE orc_table PARTITION (partition_name='<partition_name>') SET FILEFORMAT ORC;

INSERT INTO TABLE orc_table PARTITION (partition_name='<partition_name>')
SELECT field1, field2, field3, field4, array_field FROM parquet_table
WHERE partition_name='<partition_name>';

Answer 1

更改这些设置解决了问题:

SET hive.exec.compress.intermediate=true;
SET hive.exec.compress.output=true;
SET mapred.output.compression.type=BLOCK;

显然，Hive 使用 map-reduce 在数据格式之间进行转换。因此，还需要打开 map-reduce 输出压缩。但这只是猜测。