Java API 读取Hive Orc文件

Orc是Hive特有的一种列式存储的文件格式，它有着非常高的压缩比和读取效率，因此很快取代了之前的RCFile，成为Hive中非常常用的一种文件格式。

在实际业务场景中，可能需要使用Java API，或者MapReduce读写Orc文件。

本文先介绍使用Java API读取Hive Orc文件。

在Hive中已有一张Orc格式存储的表lxw1234:

该表有四个字段：url、word、freq、weight，类型均为string；

数据只有5条：

 

下面的代码，从表lxw1234对应的HDFS路径中使用API直接读取Orc文件：

1. package com.lxw1234.test;
2.  
3. import java.util.List;
4. import java.util.Properties;
5.  
6. import org.apache.hadoop.fs.Path;
7. import org.apache.hadoop.hive.ql.io.orc.OrcInputFormat;
8. import org.apache.hadoop.hive.ql.io.orc.OrcSerde;
9. import org.apache.hadoop.hive.serde2.objectinspector.StructField;
10. import org.apache.hadoop.hive.serde2.objectinspector.StructObjectInspector;
11. import org.apache.hadoop.mapred.FileInputFormat;
12. import org.apache.hadoop.mapred.InputFormat;
13. import org.apache.hadoop.mapred.InputSplit;
14. import org.apache.hadoop.mapred.JobConf;
15. import org.apache.hadoop.mapred.RecordReader;
16. import org.apache.hadoop.mapred.Reporter;
17.  
18. /**
19. * lxw的大数据田地 -- http://lxw1234.com
20. * @author lxw.com
21. *
22. */
23. public class TestOrcReader {
24.  
25. public static void main(String[] args) throws Exception {
26. JobConf conf = new JobConf();
27. Path testFilePath = new Path(args[0]);
28. Properties p = new Properties();
29. OrcSerde serde = new OrcSerde();
30. p.setProperty("columns", "url,word,freq,weight");
31. p.setProperty("columns.types", "string:string:string:string");
32. serde.initialize(conf, p);
33. StructObjectInspector inspector = (StructObjectInspector) serde.getObjectInspector();
34. InputFormat in = new OrcInputFormat();
35. FileInputFormat.setInputPaths(conf, testFilePath.toString());
36. InputSplit[] splits = in.getSplits(conf, 1);
37. System.out.println("splits.length==" + splits.length);
38.  
39. conf.set("hive.io.file.readcolumn.ids", "1");
40. RecordReader reader = in.getRecordReader(splits[0], conf, Reporter.NULL);
41. Object key = reader.createKey();
42. Object value = reader.createValue();
43. List fields = inspector.getAllStructFieldRefs();
44. long offset = reader.getPos();
45. while(reader.next(key, value)) {
46. Object url = inspector.getStructFieldData(value, fields.get(0));
47. Object word = inspector.getStructFieldData(value, fields.get(1));
48. Object freq = inspector.getStructFieldData(value, fields.get(2));
49. Object weight = inspector.getStructFieldData(value, fields.get(3));
50. offset = reader.getPos();
51. System.out.println(url + "|" + word + "|" + freq + "|" + weight);
52. }
53. reader.close();
54.  
55. }
56.  
57. }
58.  

将上面的代码打包成orc.jar；

在Hadoop客户端机器上运行命令：

export HADOOP_CLASSPATH=/usr/local/apache-hive-0.13.1-bin/lib/hive-exec-0.13.1.jar:$HADOOP_CLASSPATH

hadoop jar orc.jar com.lxw1234.test.TestOrcReader /hivedata/warehouse/liuxiaowen.db/lxw1234/

运行结果如下：

1. [liuxiaowen@dev tmp]$ hadoop jar orc.jar com.lxw1234.test.TestOrcReader /hivedata/warehouse/liuxiaowen.db/lxw1234/
2. 15/08/18 17:03:37 INFO log.PerfLogger:
3. 15/08/18 17:03:38 INFO Configuration.deprecation: mapred.input.dir is deprecated. Instead, use mapreduce.input.fileinputformat.inputdir
4. 15/08/18 17:03:38 INFO orc.OrcInputFormat: FooterCacheHitRatio: 0/1
5. 15/08/18 17:03:38 INFO log.PerfLogger:
6. splits.length==1
7. 15/08/18 17:03:38 INFO orc.ReaderImpl: Reading ORC rows from hdfs://cdh5/hivedata/warehouse/liuxiaowen.db/lxw1234/000000_0 with {include: null, offset: 0, length: 712}
8.  
9. http://cook.mytv365.com/v/20130403/1920802.html|未找到|1|5
10.  
11.  
12. http://cook.mytv365.com/v/20130403/1920802.html|网站|1|3
13.  
14.  
15. http://cook.mytv365.com/v/20130403/1920802.html|广大|1|3
16.  
17.  
18. http://cook.mytv365.com/v/20130403/1920802.html|直播|1|3
19.  
20.  
21. http://cook.mytv365.com/v/20130403/1920802.html|精彩|1|3
22.  

结果没有问题。

注意：该程序只做可行性测试，如果Orc数据量太大，则需要改进，或者使用MapReduce；

后续将介绍Java API写Orc文件，以及使用MapReduce读写Hive Orc文件。