Parquet性能测试调优及其优化建议

                  Parquet性能测试调优及其优化建议

  一、我们为什么选择parquet

  1、选择parquet的外部因素

  （1） 我们已经在使用spark集群，spark原本就支持parquet，并推荐其存储格式（默认存储为parquet）；

（2） hive支持parquet格式存储，使用HiveSql查询也是完全兼容的。

  

2、选择parquet的本身原因

  （1） parquet由于每一列的成员都是同构的，可以针对不同的数据类型使用更高效的数据压缩算法，进一步减小I/O。CSV格式一般不进行压缩，通过parquet存储数据有效的节约了空间，不考虑备份情况下，压缩比将近27倍（parquet有四种压缩方式lzo、gzip、snappy、uncompressed，其中默认gzip的压缩方式，其压缩率最高，压缩解压的速率最快）；

  （2） 查询的时候不需要扫描全部的数据，而只需要读取每次查询涉及的列，这样可以将I/O消耗降低N倍，另外可以保存每一列的统计信息(min、max、sum等)；

  （3） 分区过滤与列修剪中，parquet结合spark可以实现分区过滤（spark sql，rdd的filter和where关键字），列修剪即获取所需要的列，列数越少查询的速率也就也快；

1. 由于每一列的成员的同构性，可以使用更加适合CPU pipeline的编码方式，减小CPU的缓存失效。

    

2. parquet的列式存储格式的解析（仅了解）

      

    

   Parquet文件在磁盘上的分布情况如上图，所有的数据被水平切分成Row group，一个Row group包含这个Row group对应的区间内的所有列的column chunk 。一个column chunk负责存储某一列的数据，这些数据是这一列的Repetition level，Definition level和Values。一个column chunk是由Page组成的，Page是压缩和编码的单元，对数据模型来说是透明的。一个Parquet文件最后是Footer，存储了文件的元数据信息和统计信息。Row group是数据读写时候的缓存单元，所以推荐设置较大的Row group从而带来较大的并行度，当然也需要较大的内存空间作为代价。一般情况下推荐配置一个Row group大小1G，一个HDFS块大小1G，一个HDFS文件只含有一个块。

    

3. Parquet性能测试

   （1）测试普通文件和parquet文件读取列的性能

   ①测试环境：58.56机器、spark1.6、sts、hive等

    

   ②测试目的：验证spark在读取普通文件和parquet文件性能时，在读取相同的列的速率上面，比普通的文件效率更高，随着列的增加读取的效率会降低。

   ③测试原理：

   由于以下特性，使得列式存储对于一些运算速率相对行式存储运行速率更快：

   （1）由于每一列的成员都是同构的，可以针对不同的数据类型使用更高效的数据压缩算法，进一步减小I/O。

   （2）由于每一列的成员的同构性，可以使用更加适合CPU pipeline的编码方式，减小CPU的缓存失效。

   ④测试步骤

   （1）使用C_PORT表建立hive表，同样建立一个C_PORT_PARQUET，使用stored as parquet将表存储为parquet格式；

   （2）编写spark读取语句，对列数进行查询读取操作；

   （3）增加读取列数，在机器上spark提交任务运行记录运行时间；

   （4）对比运行时间，得出最终结论。

    

   ⑤测试结果

   约27005w数据   普通hive表      request表    测试结果：

查询列数	普通hive表耗时	Parquet表耗时
1列	2分53秒	2分42秒
5列	3分53秒	1分27秒
20列	5分58秒	3分56秒
35列	9分16秒	9分36秒
50列	13分19秒	8分11秒

 

⑥总结结论

  通过以上五组数据列的读取得知，随着列数的增加，读取的时间增加，相对于parquet和普通hive的读取速率相近，由此在列数较多时，读取非全部列数据，建议使用parquet存储可以增加读取效率。

 

 

 

 

（2）测试parquet列式存储在对多列数据进行列式计算的效率

 

①测试环境：58.56机器、spark1.6、sts、hive等

 

②测试目的：验证spark在读取普通文件和parquet文件性能时，针对某些列式运算列式存储的性能更佳，即读取计算速率更快。

③测试原理：

由于以下特性，使得列式存储对于一些运算速率相对行式存储运行速率更快：

（1）查询的时候不需要扫描全部的数据，而只需要读取每次查询涉及的列，这样可以将I/O消耗降低N倍，另外可以保存每一列的统计信息(min、max、sum等)，实现部分的谓词下推。

（2）由于每一列的成员都是同构的，可以针对不同的数据类型使用更高效的数据压缩算法，进一步减小I/O。

（3）由于每一列的成员的同构性，可以使用更加适合CPU pipeline的编码方式，减小CPU的缓存失效。

④测试步骤

（1）使用C_PORT表建立hive表，同样建立一个C_PORT_PARQUET，使用stored as parquet将表存储为parquet格式；

（2）编写spark读取语句，包含列式计算的sum，avg以及max，min语句；

（3）在机器上spark提交任务运行记录运行时间；

（4）对比运行时间，得出最终结论。

 

⑤测试结果

 

第一组：

约27005w数据   普通hive表      request表    （按照每天小时分组，2个求和，3个求平均运算）  

测试结果：

时间	普通hive表	Parquet表
耗时	2分14秒	1分37秒
耗时	2分24秒	1分08秒
耗时	2分27秒	1分36秒
平均耗时	2分33秒	1分27秒

 

 

 

第二组：

约27005w数据   普通hive表      request表    （按照每天小时分组，2个求和，3个求平均运算,2求最大值，2个求最小值）

测试结果：

时间	普通hive表	Parquet表
耗时	2分22秒	1分38秒
耗时	2分58秒	1分51秒
耗时	2分31秒	1分38秒
平均耗时	2分37秒	1分42秒

 

 

 

第三组：

约27005w数据   普通hive表      request表    （按照每天小时分组，4个求和，4个求平均运算,4求最大值，4个求最小值）  

测试结果：

时间	普通hive表	Parquet表
耗时	3分03秒	1分58秒
耗时	2分45秒	2分03秒
耗时	2分48秒	2分06秒
平均耗时	2分52秒	2分02秒

 

 

⑥总结结论

通过三组数值的比对计算，列式存储格式parquet针对列式计算效率比普通的行式存储有明显的优势，运算的效率提升在30%-40%左右，效率更高，执行效率更快。

 

1. 测试普通文件和parquet文件的压缩效率对比

   ①测试环境：58.56机器、spark1.6、sts、hive等

    

   ②测试目的：验证测试普通文件和parquet文件的压缩效率对比，在压缩存储相同数据时，存储为parquet文件压缩效率更高，占用的空间更小。

   ③测试原理：

   （1）由于每一列的成员都是同构的，可以针对不同的数据类型使用更高效的数据压缩算法，进一步减小I/O。

   （2）由于每一列的成员的同构性，可以使用更加适合CPU pipeline的编码方式，减小CPU的缓存失效。

   ④测试步骤

   （1）同样的SparkSql运行，存储方式不同。生成相同数据量的parquet文件和普通文件存储；

   （2）分别查看生成的Parquet文件和普通文件的大小，对比结果。

    

   ⑤测试结果

    

   结果如下图：

    

     经过最终执行结果，存储为普通文件的总大小为12.6G,存储为parquet文件的大小为3.6G，存储所占空间减少了近70%，因此存储为parquet文件占用的空间更小。

    

   四、Parquet在实际项目中的应用建议

   （1）当读取的列数并非全部列数，建议使用parquet格式存储（建表时使用stored by parquet）；

   （2）在进行列式计算或者向量计算时，建议也使用parquet格式存储，可以提高运算效率；

   （3）如果有文件需要备份存储，可以使用parquet文件进行压缩，可以有效的节约空间，提高压缩效率和速率。