「Parquet 与 ORC：高性能列式存储」| 青训营笔记

梨涡泥窝
119 阅读7分钟

这是我参与「第四届青训营」笔记创作活动的的第10天

01.列存vs.行存

数据格式层概述

  • 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

image-20220810105232382

分层视角下的数据形态

  • 存储层: File,Blocks
  • 格式层: File 内部的数据布局(Layout + Schema)
  • 计算引擎:Rows + Columns

image-20220810105404242

两种数据查询分析场景: OLTP vs. OLAP

image-20220810105436740

OLTP:行式存储格式(行存)

  • 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10顺序读即可

  • 典型系统

    • 关系型数据库: MySQL, Oracle
    • Key-Value数据库

OLAP:列式存储格式(列存)

  • 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

02.Parquet原理详解

  • parquet.apache.org
  • 大数据分析领域使用最广的列存格式
  • Spark 推荐存储格式

Parquet in Action

DDL

Spark

Parquet Vs. Text Format

Dremel数据模型

  • Protocol Buffer定义
  • 支持可选和重复字段
  • 支持嵌套类型

Continued

image-20220810110415307

  • 嵌套类型只保存叶子节点数据
  • 问题:由于列可能是Optional和Repeated,如何把列内的数据对应到逻辑视图里的Record呢?

数据布局

  • RowGroup:每一个行组包含定数量 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

image-20220810110636697

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

image-20220810110814422

  • 默认场景下parquet-mr会自动根据数据特征选择
  • 业务自定义: org.apache.parquet.column.values factory.ValuesWriterFactory

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，压缩比不高，适用于热数据
  • gzip:压缩速度慢，压缩比高，适于冷数据
  • zstd:新引入的压缩算法，压缩比和gzip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

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max value

  • Column Index:

    • Footer里的Column Metadata包含ColumnChunk的全部Page的Minax Value

  • Offset Index:记录Page在文件中的Offset和Page的Row Range

image-20220810111439071

Bloom Filter

  • parquet.bloom.filter.enabled
  • 对于列基数比较大的场景，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

深入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

image-20220810112217445

深入Dremel数据模型- Definition Level

  • Definition Level: 用来记录在fieldpath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

03.ORC详解和对比

  • orc.apache.org
  • 大数据分析领域使用最广的列存格式之一
  • 出自于Hive项目

数据模型

image-20220810112606526

  • ORC会给包括根节点在内的中间节点都创建一个Column

    • 左图中，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-20220810112720473

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

ACID特性简介

  • 支持Hive Transactions实现，目前只有Hive本身集成
  • 类似Delta Lake / Hudi / lceberg
  • 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

image-20220810113019753

image-20220810113011277

  • 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

image-20220810113108497

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

image-20220810113159747

Parquet vs. ORC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

Parquet vs. ORC对比-性能

  • 场景: Full Table Scan 平台:推测Hive 时间: 2016
  • 左边:简单Schema 右边:复杂Schema
  • Parquet 在复杂Schema场景下的算法开销影响较大

image-20220810113429181

image-20220810113451845

Parquet vs. ORC对比-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。

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

04.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

image-20220810113647474

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

image-20220810113855860

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格式里引入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