Hive ORC数据格式的MapReduce读写

问题导读
1.Hive ORC数据格式的MapReduce读写代码如何实现的？
2.本文包含了哪些过程？
3.提交job后，如何查看结果的？





1.mr代码如下

[mw_shl_code=bash,true]package com.test.hadoop;

import java.io.IOException;

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.NullWritable;
import org.apache.hadoop.io.Text;
import org.apache.hadoop.mapreduce.Job;
import org.apache.hadoop.mapreduce.Mapper;
import org.apache.hadoop.mapreduce.Reducer;
import org.apache.hadoop.mapreduce.lib.input.FileInputFormat;
import org.apache.hadoop.mapreduce.lib.output.FileOutputFormat;
import org.apache.orc.TypeDescription;
import org.apache.orc.mapred.OrcStruct;
import org.apache.orc.mapreduce.OrcInputFormat;
import org.apache.orc.mapreduce.OrcOutputFormat;

public class ORCSample {

        public static class ORCMapper extends
                        Mapper<NullWritable, OrcStruct, Text, Text> {
                public void map(NullWritable key, OrcStruct value, Context output)
                                throws IOException, InterruptedException {
                        output.write((Text) value.getFieldValue(1),
                                        (Text) value.getFieldValue(2));
                }
        }

        public static class ORCReducer extends
                        Reducer<Text, Text, NullWritable, OrcStruct> {
                private TypeDescription schema = TypeDescription
                                .fromString("struct<name:string,mobile:string>");
                private OrcStruct pair = (OrcStruct) OrcStruct.createValue(schema);

                private final NullWritable nw = NullWritable.get();

                public void reduce(Text key, Iterable<Text> values, Context output)
                                throws IOException, InterruptedException {
                        for (Text val : values) {
                                pair.setFieldValue(0, key);
                                pair.setFieldValue(1, val);
                                output.write(nw, pair);
                        }
                }
        }

        public static void main(String args[]) throws Exception {

                Configuration conf = new Configuration();
                conf.set("orc.mapred.output.schema","struct<name:string,mobile:string>");
                Job job = Job.getInstance(conf, "ORC Test");
                job.setJarByClass(ORCSample.class);
                job.setMapperClass(ORCMapper.class);
                job.setReducerClass(ORCReducer.class);
                job.setInputFormatClass(OrcInputFormat.class);
                job.setOutputFormatClass(OrcOutputFormat.class);
                job.setMapOutputKeyClass(Text.class);
                job.setMapOutputValueClass(Text.class);
                job.setOutputKeyClass(NullWritable.class);
                job.setOutputValueClass(OrcStruct.class);
                FileInputFormat.addInputPath(job, new Path(args[0]));
                FileOutputFormat.setOutputPath(job, new Path(args[1]));
                System.exit(job.waitForCompletion(true) ? 0 : 1);
        }
}
[/mw_shl_code]

2，pom.xml中添加依赖（基于hadoop2.7.1）

[mw_shl_code=bash,true]
<dependencies>
  <dependency>
    <groupId>org.apache.orc</groupId>
    <artifactId>orc-mapreduce</artifactId>
    <version>1.1.0</version>
  </dependency>
  <dependency>
    <groupId>org.apache.hadoop</groupId>
    <artifactId>hadoop-mapreduce-client-core</artifactId>
    <version>2.7.1</version>
  </dependency>
</dependencies>[/mw_shl_code]

3，创建表，在 t_test_orc中添加3行数据。

[mw_shl_code=bash,true]
CREATE  TABLE `t_test_orc`(
  `siteid` string,
  `name` string,
  `mobile` string)
stored as orc[/mw_shl_code]

[mw_shl_code=bash,true]
CREATE TABLE `t_test_orc_new`(
  `name` string,
  `mobile` string)
ROW FORMAT SERDE
  'org.apache.hadoop.hive.ql.io.orc.OrcSerde'
STORED AS INPUTFORMAT
  'org.apache.hadoop.hive.ql.io.orc.OrcInputFormat'
OUTPUTFORMAT
  'org.apache.hadoop.hive.ql.io.orc.OrcOutputFormat'
LOCATION
  'hdfs://namenode:9000/user/testorc3'

[/mw_shl_code]


4，打包运行

Hadoop jar MRTest-1.0-jar-with-dependencies.jar com.test.hadoop.ORCSample /hive/warehouse/mytest.db/t_test_orc /user/testorc3

5，完成后可以用hive --orcfiledump -d 查看执行结果



并且进入hive 查询orc格式的 t_test_orc表也可以看到数据
更多信息可以参考https://orc.apache.org/