了解parquet

parquet是什么

Parquet 是一种列式存储文件格式,主要用于大数据处理和分析.

关键特性

1.列式存储格式

在大数据系统中数据都是以宽表的形式存在,有很多column,但是查询分析,一般只涉及少量列查询,这种情况下,Parquet 可以仅读取所需的列,从而显著减少 I/O 并加快查询执行。

2.高效压缩和编码

Parquet 的列式存储格式允许更好的压缩比,因为同一列中的数据往往更加同质化。Parquet 支持多种压缩算法,如 Snappy、Gzip 和 LZO,此外,Parquet 使用先进的编码技术,如 RLE、bitpacking 和 dictionary-encoding,以进一步减少存储需求并提高查询性能。如果一列存储的数据,仅仅是二元数据,比如男女性别,那么可以用一个二进制串来存储,大大降息了存储所需的容量。

3.Schema 演进支持

Parquet 通过允许添加、删除或修改列而不影响现有数据来支持 schema 演进。

4.支持复杂数据类型

Parquet 支持丰富的数据类型集合,包括嵌套和重复结构,以及数组、映射(map)和结构(struct)等数据类型。此特性支持构建复杂的层次结构数据,并将其高效地存储在紧凑的二进制格式中。

格式布局

image.png

一个完整的Parquet文件包含数据和元数据信息。数据按行被切分为一到多个row group,每个row group中的每一列存储为一个连续的column chunk,每个column chunk切分为多个page。page是Parquet中的最小数据存储单元,一个page包含自身的元数据、实际数据值,和数据的嵌套层级信息。
Parquet将元数据放在文件末尾footer中,主要包含文件版本、schema,和每个row group中每个column chunk的位置、类型、编码方式、压缩方式、zone maps(page粒度统计指标,包含最大值、最小值、count)等信息。 为了提高查询效率,Parquet还支持额外的Bloom Filter结构。Bloom Filter是一种空间效率很高的概率数据结构,用于快速判断某个值是否存在。Parquet支持为每个column chunk创建Bloom Filter,当查询的选取值很少时,系统通过预先检查Bloom Filter从而快速判断查询值是否存在于该columns chunk中,不存在时直接跳过该column chunk。另外,元数据中的zone maps也可以起到类似的过滤作用。

schema evolution

Parquet 的 datafile 存储了数据的 schema information,当一个查询读取新的Parquet datafile中的schema,已经删除的column可以跳过不读取,对于新增的column发现旧的Parquet datafile中并不存在,可以返回对应的默认值或者null

压缩算法(compression)和编码选项(encoding)

1.压缩

Parquet 支持几乎所有流行的压缩算法,包括 Snappy、Gzip 和 LZO。Snappy 在压缩比和速度之间提供了良好的平衡,使其成为常见的选择。Gzip 提供更好的压缩比,但以较慢的压缩和解压速度作为代价。LZO 优化了速度,但提供了较低的压缩比。高度压缩的数据可能需要更多的 CPU 资源来进行解压缩,影响查询性能。所以,根据具体的业务需求(是追求查询性能还是追求存储成本)选择一个平衡的压缩算法和压缩级别。

2.编码

Parquet 支持多种编码方案,如 dict encoding, run-length encoding(RLE)和位打包(bit packing)。编码的选择取决于数据特征。例如,对于基数较低(不同值较少)的列,字典编码效果很好,而对于单调递增或递减值的列,增量编码更为合适。在绝大部分情况下,让 Parquet 自行选择就好,Parquet 会根据 column 的数据类型和分布自动选择最高效的编码技术。

  • 字典编码(Dictionary Encoding):Parquet在所有类型的列上都首先应用了字典编码。字典编码通过构建一个字典,将原始值替换为更易于存储的形式(如从0开始的整数),从而减少数据量。Parquet根据原始值的出现顺序构建字典,当字典超过容量阈值(默认1MB)时,后续数据不再使用字典编码,直接存储为原始值。字典编码特别适用于重复值较多的数据列。
image.png
  • RLE+Bitpacking:Parquet对经过字典映射后的值再进一步编码。如果一个值连续重复出现8次或以上(该值目前不可配置),Parquet将使用RLE对该column chunk编码,否则使用Bitpacking。RLE(Run-Length Encoding)和Bitpacking算法示意图如下:
image.png
image.png

参考资料

数据库内核杂谈(三十)- 大数据时代的存储格式-Parquet_大数据_顾仲贤_InfoQ精选文章
数据库内核杂谈(三十一)- 大数据时代的存储格式-Parquet(2)大数据顾仲贤_InfoQ精选文章
Documentation | Parquet
15-721 Advanced Database Systems (Spring 2024) - 02 Data Formats & Encoding I

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 211,743评论 6 492
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 90,296评论 3 385
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 157,285评论 0 348
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 56,485评论 1 283
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 65,581评论 6 386
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 49,821评论 1 290
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 38,960评论 3 408
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 37,719评论 0 266
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 44,186评论 1 303
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 36,516评论 2 327
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 38,650评论 1 340
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 34,329评论 4 330
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 39,936评论 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 30,757评论 0 21
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,991评论 1 266
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 46,370评论 2 360
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 43,527评论 2 349

推荐阅读更多精彩内容