hvie列式存储ORC和parquet

一 行列存储的特点比较

1 行存储的特点

  查询满足条件的一整行数据的时候，列存储则需要去每个聚集的字段找到对应的每个列的值，行存储只需要找到其中一个值，其余的值都在相邻地方，所以此时行存储查询的速度更快。

2 列式存储的特点

  因为每个字段的数据聚集存储，在查询只需要少数几个字段的时候，能大大减少读取的数据量；每个字段的数据类型一定是相同的，列式存储可以针对性的设计更好的设计压缩算法。

3 行存储与列存储的对比

  如下图所示左边为逻辑表，右边第一个为行式存储，第二个为列式存储

二 列式存储之ORC

  ORC文件的具体结构如下图所示：

1 ORC文件格式说明

  每个Orc文件由Header、Body和Tail三部分组成。
  其中Header内容为ORC，用于表示文件类型。
  Body由1个或多个stripe组成，每个stripe一般为HDFS的块大小，每一个stripe包含多条记录，这些记录按照列进行独立存储，每个stripe里有三部分组成，分别是Index Data，Row Data，Stripe Footer。
  Index Data：一个轻量级的index，默认是为各列每隔1W行做一个索引。每个索引会记录第n万行的位置，和最近一万行的最大值和最小值等信息。
  Row Data：存的是具体的数据，按列进行存储，并对每个列进行编码，分成多个Stream来存储。
  Stripe Footer：存放的是各个Stream的位置以及各column的编码信息。
  Tail由File Footer和PostScript组成。File Footer中保存了各Stripe的起始位置、索引长度、数据长度等信息，各Column的统计信息等；PostScript记录了整个文件的压缩类型以及File Footer的长度信息等。
  在读取ORC文件时，会先从最后一个字节读取PostScript长度，进而读取到PostScript，从里面解析到File Footer长度，进而读取FileFooter，从中解析到各个Stripe信息，再读各个Stripe，即从后往前读。

2 ORC建表语句

create table orc_table
(column_specs)
stored as orc
tblproperties (property_name=property_value, ...);

3 ORC文件格式支持的参数

  ORC文件格式支持的参数如下：

参数	默认值	说明
orc.compress	ZLIB	压缩格式，可选项：NONE、ZLIB,、SNAPPY
orc.compress.size	262,144	每个压缩块的大小（ORC文件是分块压缩的）
orc.stripe.size	67,108,864	每个stripe的大小
orc.row.index.stride	10,000	索引步长（每隔多少行数据建一条索引）

三 列式存储之Parquet

  Parquet文件是Hadoop生态中的一个通用的文件格式，它也是一个列式存储的文件格式。
Parquet文件的格式如下图所示：

1 Parquet文件格式说明

  上图展示了一个Parquet文件的基本结构，文件的首尾都是该文件的Magic Code，用于校验它是否是一个Parquet文件。
  首尾中间由若干个Row Group和一个Footer（File Meta Data）组成。
  每个Row Group包含多个Column Chunk，每个Column Chunk包含多个Page。以下是Row Group、Column Chunk和Page三个概念的说明：
  行组（Row Group）：一个行组对应逻辑表中的若干行。
  列块（Column Chunk）：一个行组中的一列保存在一个列块中。
  页（Page）：一个列块的数据会划分为若干个页。
  Footer（File Meta Data）中存储了每个行组（Row Group）中的每个列快（Column Chunk）的元数据信息，元数据信息包含了该列的数据类型、该列的编码方式、该类的Data Page位置等信息。

2 建表语句

create table parquet_table
(column_specs)
stored as parquet
tblproperties (property_name=property_value, ...);

3 Parquet文件支持的参数

  支持的参数如下：

参数	默认值	说明
parquet.compression	uncompressed	压缩格式，可选项：uncompressed，snappy，gzip，lzo，brotli，lz4
parquet.block.size	134217728	行组大小，通常与HDFS块大小保持一致
parquet.page.size	1048576	页大小