Parquet 和 ORC：高性能列式存储 | 青训营笔记

Rainbow_Sea
757 阅读8分钟

这是我参与「第四届青训营 」笔记创作活动的的第13天

今天是大数据专场基础班的第十三次课，主要内容是Parquet 和 ORC：高性能列式存储，主要分为下面四个板块。

一、 列存vs行存

1. 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.png

2. 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.png

3. 两种数据查询分析场景:OLTP vs OLAP

image.png

4. 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IO顺序读即可
  • 典型系统
    • 关系型数据库:MySQL，Oracle ..
    • Key-Value数据库

image.png

5. 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

image.png

总结

  • 格式层定义了数据的布局，连接计算引擎和存储服务
  • OLTP和OLAP场景话差异明显
  • 业务场景决定了技术实现，行存适用于OLTP，列存适用于OLAP

二、 Parquet原理详解

1. Parquet 简介

  • 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
  • Github
    • parquet-format :格式定义
    • parquet-mr : Java 实现

1.1 Parquet in Action - DDL

  • Hive Table using Parquet

1.2 Parquet in Action - Spark

  • Load Data using SparkSQL

1.3 Parquet in Action - Spark

  • Spark 生成的文件会有.parquet后缀
  • Hive 生成的文件没有后缀

image.png

1.4 Parquet in Action - Parquet vs. Text Format

  • Parquet

image.png

  • Text

image.png

1.5 Parquet in Action - Spark

  • parquet-cli工具查看parquet 文件的具体信息
  • https:/lgithub.com/apache/parquet-mrlblob/master/parquet-cli/README.md

image.png

2. Dremel 数据模型

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

image.png

2.1 Dremel数据模型- Continued

  • 嵌套类型只保存叶子节点数据

image.png

3. 数据布局

  • 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

image.png

4. 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.png

  • 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

5. 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，适用于冷数据
  • 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

6. 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 Min-MaxValue
  • Offset Index: 记录 Page在文件中的 Offset和Page的 Row Range

image.png

6.1 索引 Index - 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

6.2 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

7. 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

image.png

8. 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

image.png

9. 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⒉个重复字段

9.1 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

9.2 深入Dremel数据模型一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Col u m n下一个记录的RepetionLevel决定继续读的列

小结

  • 数据模型:基于Dremel
  • 文件布局:Footer + RowGroup + ColumnChunk + Page
  • Encoding: Page粒度，Plain / RLE / Dictionary
  • Compression: Snappy / Gzip / Zstd
  • Index: Column Index (Min-Max Index)
  • Predicate PushDown

三、 ORC 详解和对比

1. ORC简介

  • 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

2. 数据模型

  • ORC会给包括根节点在内的中间节点都创建一个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

3. 数据布局

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

image.png

4. 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

5. 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

5.1 AliORC-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

image.png

5.2 AliORC-小列聚合

  • 小列聚合，减少小IO
  • 重排 Chunk

image.png

5.3 AliORC-异步预取

  • 异步预取数据
  • 计算逻辑和数据读取并行化

image.png

6. 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

6.1 Parquet vs. ORC对比-性能

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

image.png

6.2 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

小结

  • 数据模型，和Parquet差异
  • ACID支持
  • Parquet 对比和选择

四、 列存演进

1. 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.png

2. 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

image.png

3. 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

image.png

引用参考

内容主要参考了郭俊老师在「Parquet 和 ORC：高性能列式存储」课程里所教授的内容，同时也参考了学员手册里第一节的内容，图片来自于老师的PPT，链接如下：

  1. 【大数据专场 学习资料五】第四届字节跳动青训营 - 掘金 (juejin.cn)
  2. Parquet与ORC 高性能列式存储- 郭俊- ppt.pptx - 飞书文档 (feishu.cn)
avatar
文章
阅读
粉丝