Parquet与ORC：高性能列式存储 ｜ 青训营笔记

半岛铁锤
60 阅读6分钟

这是我参与「第四届青训营 」笔记创作活动的第13天

列存和行存

数据格式层

image.png

  • 计算层：各种计算引擎
  • 存储层：承载数据的持久化存储
  • 数据格式层：定义了存储层文件内部的组织格式，计算引擎通过格式层的支持来读写文件

OLTP vs OLAP

image.png

OLTP：行式存储格式

  • 每行的数据在文件上是连续存储的
  • 读取整行数据效率高，单次IO顺序读即可
  • 典型系统：
    • 关系型数据库：MySQL，Oracle等
    • Key-Value数据库

OLAP：列式存储格式

  • 每列的数据在文件上是连续存储的
  • 读取整列的效率较高
  • 同列的数据类型一致，压缩编码的效率更好
  • 典型系统：
    • 大数据分析系统：SQL-on-Hadoop，数据湖分析
    • 数据仓库：ClickHouse，Greenplum，阿里云MaxCompute

Parquet

Parquet简介

  • 大数据分析领域使用最广的列存格式
  • Spark推荐存储格式

数据布局

image.png

  • RowGroup：每一个行组包含一定数量或者固定大小的行的集合
  • ColumnChunk：RowGroup中按照列切分成多个ColumnChunk
  • Page：ColumnChunk内部继续切分成Page，一般建议8KB大小。压缩和编码的基本单元
    • 根据保存的数据类型分为：Data，Page，Dictionary Page，Index Page
  • Footer保存文件的元信息
    • Schema
    • Config
    • Metadata
      • RowGroup Meta
        • Column Meta

编码 Encoding

  • Plain直接存储原始数据
  • Run Length Encoding(RLE)：适用于列基数不大，重复值较多的场景，例如：Boolean、枚举、固定的选项等
    • Bit-Pack Encoding:配合RLE编码使用，让整形数字存储的更加紧凑
  • 字典编码Dictionary Encoding:适用于列基数不大的场景，构造字典表，写入到Dictionary Page;把数据用字典Index替换，然后用RLE编码

压缩 Compression

  • Page完成Encoding以后，进行压缩
  • 支持多种压缩算法
  • snappy：压缩速度快，压缩t比不高，适用于热数据
  • gzip：压缩速度慢，压缩比高，适用于冷数据
  • Zstd：新引入的压缩算法，压缩比和gzp差不多，而且压缩速度比肩Snappy
  • 建议选择snappy或者zstd，根据业务数据类型充分测试压缩效果，以及对查询性能的影响

image.png

索引 Index

  • 和传统的数据库相比，索引支持非常简陋
  • Min-Max Index：记录Page内部Column的min value和nax value
  • Column Index：Footer里的Column Metadata包，含ColumnChunk的全部Page的Min-MaxValue
  • Offset Index：记录Page在文件中的Offset和Page的Row Range

Bloom Filter

  • parquet.bloom.filter.enabled
  • 对于列基数处比较大的场景，或者非排序列的过滤，Min-Max Index很难发挥作用
  • 引入Bloom Filter加速过滤匹配判定
  • 每个ColumnChunk的头部保存Bloom Filter数据
  • Footer记录Bloom Filter的page offset

排序 Ordering

  • 类似于聚集索引的概念
  • 排序帮助更好的过滤掉无关的RowGroup或者Page
    • 对于少量数据Seek很有帮助
  • Parquet Format支持SortingColumns
  • Parquet Library目前没有支持
  • 依赖业务侧根据查询特征去保证顺序

过滤下推 Predicate Pushdown

  • parquet-mr库实现，实现高效的过滤机制
  • 引擎侧传入Filter Expression
  • parquet-mr转换成具体Column的条件匹配
  • 查询Footer里的Column Index，定位到具体的行号
  • 返回有效的数据给引擎侧

Spark集成-向量化读

  • ParquetFileFormat类
  • 向量化读开关：spark.sql.parquet.enableVectorizedReader
  • 向量化读是主流大数据分析引擎的标准实践，可以极大的提升查询性能
  • Spark以Batch的方式从Parquet读取数据，下推的逻辑也会适配Batch的方式

Dremel数据模型

Repetition Level

  • Repetition Level：该字段在Field Path上第几个重复字段上出现
    • 0：标识新的Record
    • Name.Language.Code为例，Name是第1个重复字段，Language是第2个重复字段

Definition Level

  • Definition Level：用来记录在field path中，有多少个字段是可以不存在(optional/repeated)而实际出现的
  • Name.Language.Code为例，Name和Language都是可以不存在的
  • 第一个NULL字段，D是1，说明Name是存在的，但是Language是不存在的，保留原有的信息

Re-Assembly

  • 根据全部或者部分列数据，重新构造Record
  • 构造FSM状态机
  • 根据同一个Column下一个记录的RepetionLevel决定继续读的列

ORC

ORC简介

  • 大数据分析领域使用最广的列存格式之一

数据模型

image.png

  • ORC会给包括根节点在内的中间节点都创建一个Column -图中，会创建8个Column
  • 嵌套类型或者集合类型支持和Parquet差别较大
  • optional和repeated字段依赖父节点记录额信息来重新Assembly数据

数据布局

image.png

  • 类似Parquet
  • Rooter+Stripe+Column+Page(Row Group)结构
  • Encoding/Compression/Index支持上和Parquet几乎一致

ACID特性

  • 支持Hive Transactions实现，目前只有Hive本身集成
  • 类似Delta Lake/Hudi/Iceberg
  • 基于Base+Delta+Compaction的设计

AliORC

  • ORC在阿里云计算平台被广泛应用，主流产品MaxCompute+交互式分析Hologres的最新版本都支持ORC格式
  • AliORC是对ORC的深度定制版

索引增强

  • 支持Clusterd Index，更快的主键查找
  • 支持Bitmap Index，更快的过滤
    • Roaring Bitmap

小列聚合

  • 小列聚合，减少小IO
    • 重排Chunk

异步预取

  • 异步预取数据
  • 计算逻辑和数据读取并行化

ORC对比Parquet

对比：

  • 从原理层面，最大的差别就是对于NestedType和复杂类型处理上
  • Parquet的算法上要复杂很多，带来的CPU的开销比ORC要略大
  • ORC的算法上相对简单，但是要读取更多的数据
  • 因此，这个差异的对业务效果的影响，很难做一个定性的判定，更多的时候还是要取决于实际的业务场景

选择：

  • 最新的版本来看，Parquet和ORC在性能上没有非常明显的差距和短板
  • 性能上很多情况下依赖于数据集和测试环境，不能迷信Benchmark结果
  • 根据实际业务做充分的测试调优
  • Spark生态下Parquet比较普遍
  • Hive生态下ORC有原生支持

整体上，Spark比Hive更加有优势，所以大部分情况下，Parquet可能是个更好的选择。

列存演进

数仓中的列存

  • ClickHouse的MergeTree☑|引擎也是基于列存构建的
  • 默认情况下列按照Column拆分的
  • 支持更加丰富的索引
  • 湖仓一体的大趋势

存储侧下推

  • 更多的下推工作下沉到存储服务侧
  • 越接近数据，下推过滤的效率越高
  • 例如AWS S3 Select功能
  • 挑战：
    • 存储侧感知Schema
    • 计算生态的兼容和集成

Column Family支持

  • 背景：Hudi数据湖场景下，支持部分列的快速更新
  • 在Parquet格式里l入Column Family概念，把需要更新的列拆成独立的Column Family
  • 深度改造Hudi的Update和Query逻辑，根据Column Family选择覆盖对应的Column Family
  • Update操作实际效果有10+倍的提升
avatar
文章
阅读
粉丝