压缩格式与分片

为了减小文件占用的磁盘空间，我们一般会对文件进行压缩，如果要采用mapreduce或spark对文件进行读取就要注意压缩文件的格式。

因为我们一般采用的gzip，snappy都不支持splittable，即不能通过多个task同时处理一个文件。

表格来自hadoop权威指南

针对这种情况我们一般采用parquet或orc格式。

parquet，orc及avro的区别

1. 相同点

• 基于Hadoop文件系统优化出的存储结构

• 提供高效的压缩

• 二进制存储格式

• 文件可分割，具有很强的伸缩性和并行处理能力

• 使用schema进行自我描述

• 属于线上格式，可以在Hadoop节点之间传递数据

2. 不同点

• 行式存储or列式存储：Parquet和ORC都以列的形式存储数据，而Avro以基于行的格式存储数据。
• 就其本质而言，面向列的数据存储针对读取繁重的分析工作负载进行了优化，而基于行的数据库最适合于大量写入的事务性工作负载。
• 压缩率：基于列的存储区Parquet和ORC提供的压缩率高于基于行的Avro格式。
• 可兼容的平台：ORC常用于Hive、Presto； Parquet常用于Impala、Drill、Spark、Arrow； Avro常用于Kafka、Druid。