大数据列式存储 Parquet 和 ORC 简介

随着大数据 Hadoop/Spark 生态的不断发展和成熟，TextFile、CSV这些文本格式存储效率低，查询速度慢，往往不能很好地满足大数据系统中存储和查询的需求，列式存储也在大数据社区逐渐兴起到成熟。目前，使用比较广泛的列式存储主要是 Apache Parquet 和 Apache ORC，Parquet 由谷歌的 Dremel 发展而来，由Twitter 贡献给社区，ORC 则是由 Hive 的 RC File 发展而来，从Hive项目中独立出来，二者目前都是比较活跃的列式存储项目。

传统的数据编码方式是以行为单位进行，列式存储则是将数据划分成数据块，每个数据块内部按列的方式进行编码存储，通过使用列式存储会有以下好处：

• 存储效率更高，因为同一列的数据类型一致，编码效率也会更高

• 查询效率更高，利用列式存储的统计信息，可以跳过大量的数据，减少IO压力

1 什么是编码

列式存储在存储数据时，为了提高压缩效率，会进行一些编码操作，如图所示。

2 常见的编码方式

• Run-length encoding(RLE)

• Dictionary

• Bitpacking

• Zigzag for signed

3 Parquet 和 ORC编码对比

4 使用TPC数据集的测试结果

分别使用相同的 TPC 数据集进行测试，从压缩效率上讲，数据库大小越小，压缩效率越好。这里 ORC 使用 Zlib 压缩, Parquet 使用 Gzip 压缩。

• TPC-BB and TPC-DS Decimal 版本下，ORC 比 Parquet 占用空间节省大约 10%；

• TPC-DS Double版本下，Parquet 的使用的空间节省 2% 左右。

TPC-DS(Decimal Version): https://github.com/cloudera/impala-tpcds-kit
TPC-DS(Double Version): https://github.com/hortonworks/hive-testbench
TPCx-BB: http://www.tpc.org/tpcx-bb/

1 Parquet 的Integer编码实现

Parquet 的 Integer的是通过字典的编码方式存储的，为了防止字典过大，超过字典上限后，则通过其他方式存储。

PARQUET_V1 和 PARQUET_V2 是 Parquet 内部使用的版本，可以通过相应的参数进行选择。

2 Parquet 字典的实现

• 在实际存储时，数据库会有大量重复的值，这时字典的效率还是不错的，不够，目前的 Parquet实现还有两个问题

• 问题字典是明文存储，没有编码，浪费存储空间；

• 字典编号是使用RLE编码，但是编码效率还有提升空间。

3 Parquet 的 DeltaBinaryPacking

Parquet 的 DeltaBinaryPacking 的实现参考了以下博客，具体的格式如图。

http://lemire.me/blog/archives/2012/09/12/fast-integer-compression-decoding-billions-of-integers-per-second/

原始值：6,6,6,6,6,6,13,17
编码后：3,0,6,-2,13,17

ORC Integer 在 0.12的版本

HIVE在 0.12之后做了比较好的优化，可以覆盖常见的四种场景，效果也会比较好

• SHORT_REPEAT : Short repeated integer sequences.

• DELTA : Monotonically increasing or decreasing sequences, sequences with fixed delta values or long

1 sequences.

DIRECT : Random integer sequences whose number of bit requirement doesn't vary a lot

PATCHED_BASE : Random integer sequences whose number of bit requirement varies beyond a
threshold.