乾貨 | 再來聊一聊 Parquet 列式儲存格式

語言: CN / TW / HK

時間 2021-08-24 09:27:06 大資料技術架構

主題: Parquet

Parquet 是 Hadoop 生態圈中主流的列式儲存格式，最早是由 Twitter 和 Cloudera 合作開發，2015 年 5 月從 Apache 孵化器裡畢業成為 Apache 頂級專案。

圈內有這樣一句話流傳：如果說 HDFS 是大資料時代檔案系統的事實標準，Parquet 就是大資料時代儲存格式的事實標準。

整體介紹

先簡單介紹下：

Parquet 是一種支援巢狀結構的列式儲存格式
非常適用於 OLAP 場景，按列儲存和掃描

諸如 Parquet 這種列存的特點或優勢主要體現在兩方面。

1.1 更高的壓縮比

列存使得更容易對每個列使用高效的壓縮和編碼，降低磁碟空間。（網上的case是不壓縮、gzip、snappy分別能達到11/27/19的壓縮比）

1.2 更小的IO操作

使用對映下推和謂詞下推，只讀取需要的列，跳過不滿足條件的列，能夠減少不必要的資料掃描，帶來效能的提升並在表字段比較多的時候更加明顯。

關於對映下推與謂詞下推：

對映下推，這是列式儲存最突出的優勢，是指在獲取資料時只需要掃描需要的列，不用全部掃描。

謂詞下推，是指通過將一些過濾條件儘可能的在最底層執行以減少結果集。

謂詞就是指這些過濾條件，即返回bool：

true和false的表示式，比如SQL中的大於小於等於、Like、Is Null等。

專案概述

Parquet 是與語言無關的，而且不與任何一種資料處理框架繫結在一起，適配多種語言和元件，能夠與 Parquet 適配的查詢引擎包括 Hive, Impala, Pig, Presto, Drill, Tajo, HAWQ, IBM Big SQL等，計算框架包括 MapReduce, Spark, Cascading, Crunch, Scalding, Kite 等，資料模型包括 Avro, Thrift, Protocol Buffer, POJOs 等。

Parquet 的專案組成及自下而上互動的方式如圖所示：

這裡可以將其分為三層。

資料儲存層：定義 Parquet 檔案格式，其中元資料在 parquet-format 專案中定義，包括 Parquet 原始型別定義、Page型別、編碼型別、壓縮型別等等。
物件轉換層：這一層在 parquet-mr 專案中，包含多個模組，作用是完成其他物件模型與 Parquet 內部資料模型的對映和轉換，Parquet 的編碼方式使用的是 striping and assembly 演算法。
物件模型層：定義如何讀取 Parquet 檔案的內容，這一層轉換包括 Avro、Thrift、Protocal Buffer 等物件模型/序列化格式、Hive serde 等的適配。並且為了幫助大家理解和使用，Parquet 提供了 org.apache.parquet.example 包實現了 java 物件和 Parquet 檔案的轉換。

其中，物件模型可以簡單理解為記憶體中的資料表示，Avro, Thrift, Protocol Buffer, Pig Tuple, Hive SerDe 等這些都是物件模型。例如 parquet-mr 專案裡的 parquet-pig 專案就是負責把記憶體中的 Pig Tuple 序列化並按列儲存成 Parquet 格式，以及反過來把 Parquet 檔案的資料反序列化成 Pig Tuple。

這裡需要注意的是 Avro, Thrift, Protocol Buffer 等都有他們自己的儲存格式，但是 Parquet 並沒有使用他們，而是使用了自己在 parquet-format 專案裡定義的儲存格式。所以如果你的專案使用了 Avro 等物件模型，這些資料序列化到磁碟還是使用的 parquet-mr 定義的轉換器把他們轉換成 Parquet 自己的儲存格式。

支援巢狀的資料模型

Parquet 支援巢狀結構的資料模型，而非扁平式的資料模型，這是 Parquet 相對其他列存比如 ORC 的一大特點或優勢。支援巢狀式結構，意味著 Parquet 能夠很好的將諸如 Protobuf，thrift，json 等物件模型進行列式儲存。

Parquet 的資料模型也是 schema 表達方式，用關鍵字 message 表示。每個欄位包含三個屬性，repetition屬性（required/repeated/optional）、資料型別（primitive基本型別/group複雜型別）及欄位名。

message AddressBook {
 required string owner;
 repeated string ownerPhoneNumbers;
 repeated group contacts {
   required string name;
   optional string phoneNumber;
 }
}

這個 schema 中每條記錄表示一個人的 AddressBook。有且只有一個 owner，owner 可以有 0 個或者多個 ownerPhoneNumbers，owner 可以有 0 個或者多個 contacts。每個 contact 有且只有一個 name，這個 contact 的 phoneNumber 可有可無。這個 schema 可以用下面的樹結構來表示。

Parquet 格式的資料型別沒有複雜的 Map, List, Set 等，而是使用 repeated fields 和 groups 來表示。例如 List 和 Set 可以被表示成一個 repeated field，Map 可以表示成一個包含有 key-value 對的 repeated field，而且 key 是 required 的。

儲存模型

這裡儲存模型又可以理解為儲存格式或檔案格式，Parquet 的儲存模型主要由行組（Row Group）、列塊（Column Chuck）、頁（Page）組成。

1、行組，Row Group：Parquet 在水平方向上將資料劃分為行組，預設行組大小與 HDFS Block 塊大小對齊，Parquet 保證一個行組會被一個 Mapper 處理。

2、列塊，Column Chunk：行組中每一列儲存在一個列塊中，一個列塊具有相同的資料型別，不同的列塊可以使用不同的壓縮。

3、頁，Page：Parquet 是頁儲存方式，每一個列塊包含多個頁，一個頁是最小的編碼的單位，同一列塊的不同頁可以使用不同的編碼方式。

另外 Parquet 檔案還包含header與footer資訊，分別儲存檔案的校驗碼與Schema等資訊。參考官網的一張圖：

關於 Parquet 的儲存模型暫且瞭解到這個程度，更深入的細節可參考文末的連結。

Parquet vs ORC

除了 Parquet，另一個常見的列式儲存格式是 ORC（OptimizedRC File）。在 ORC 之前，Apache Hive 中就有一種列式儲存格式稱為 RCFile（RecordColumnar File），ORC 是對 RCFile 格式的改進，主要在壓縮編碼、查詢效能方面做了優化。因此 ORC/RC 都源於 Hive，主要用來提高 Hive 查詢速度和降低 Hadoop 的資料儲存空間。

Parquet 與 ORC 的不同點總結以下：

巢狀結構支援：Parquet 能夠很完美的支援巢狀式結構，而在這一點上 ORC 支援的並不好，表達起來複雜且效能和空間都損耗較大。
更新與 ACID 支援：ORC 格式支援 update 操作與 ACID，而 Parquet 並不支援。
壓縮與查詢效能：在壓縮空間與查詢效能方面，Parquet 與 ORC 總體上相差不大。可能 ORC 要稍好於 Parquet。
查詢引擎支援：這方面 Parquet 可能更有優勢，支援 Hive、Impala、Presto 等各種查詢引擎，而 ORC 與 Hive 接觸的比較緊密，而與 Impala 適配的並不好。之前我們說 Impala 不支援 ORC，直到 CDH 6.1.x 版本也就是 Impala3.x 才開始以 experimental feature 支援 ORC 格式。

關於 Parquet 與 ORC，首先建議根據實際情況進行選擇。另外，根據筆者的綜合評估，如果不是一定要使用 ORC 的特性，還是建議選擇 Parquet。

Parquet 工具

最後介紹下社群的一個 Parquet 開源工具，主要用於檢視 Parquet 檔案元資料、Schema 等。

使用方法：

#Runfrom Hadoop
hadoop jar ./parquet-tools-<VERSION>.jar --help
hadoop jar ./parquet-tools-<VERSION>.jar <command> my_parquet_file.parq
#Runlocally
java -jar ./parquet-tools-<VERSION>.jar --help
java -jar ./parquet-tools-<VERSION>.jar <command> my_parquet_file.parq

比如：

$ hadoop jar parquet-tools-1.8.0.jar schema 20200515160701.parquet               
message t_staff_info_partition {

  optional int64 age;
  optional binary dt (UTF8);
  optional int64 id;
  optional binary name (UTF8);
  optional binary updated_time (UTF8);
}

parquet tools工具可在maven repo下載：

https://mvnrepository.com/artifact/org.apache.parquet/parquet-tools

「其他文章」