大数据常用文件格式介绍

最近在做hdfs小文件合并的项目，涉及了一些文件格式的读写，比如avro、orc、parquet等。期间阅读了一些资料，因此打算写篇文章做个记录。

这篇文章不会介绍如何对这些格式的文件进行读写，只会介绍一下它们各自的特点以及底层存储的编码格式。

一、SequenceFile

1. 相比于text格式的文件，SequenceFile可以存储key-value格式的消息，方便mapreduce引擎处理数据
2. 支持record级别的压缩和block级别的压缩
3. 文件是分块的，因此是可分割的。支持mapreduce的split输入

使用sequencefile还可以将多个小文件合并到一个大文件中，通过key-value的形式组织起来，此时该sequencefile可以看做是一个小文件容器。

二、Avro

1. 相比SequenceFile，avro支持更丰富的数据结构
2. 文件是分块的，因此是可分割的。支持mapreduce的split输入
3. 目前SequenceFile只有java实现，因此没办法通过其他的语言来读写SequenceFile文件，所以avro的一个优势就是多种语言实现
4. avro的schema是存储在文件中的，因为拿到avro文件就可以直接进行读写。并且avro的schema是可以动态增删改的，保证向前兼容和向后兼容

三、parquet

Parquet是一个基于列式存储的文件格式，它将数据按列划分进行存储。Parquet官网上的文件格式介绍图：

我们可以看出，parquet由几个部分构成：

1. Magic Number
2. 若干个 Row Group
3. Footer 信息，即一些元数据
4. Footer length，固定4个bytes，指出元数据的长度
5. Magic Number

1. Row Group 可以理解为一个个block，这个特性让parquet是可分割的，因此可以被mapreduce split来处理
2. Row Group，还是page，都有具体的统计信息，根据这些统计信息可以做很多优化
3. 每个 Row Group由一个个 Column chunk组成，也就是一个个列。Column chunk又细分成一个个page，每个page下就是该列的数据集合。列下面再细分page主要是为了添加索引，page容量设置的小一些可以增加索引的速度，但是设置太小也会导致过多的索引和统计数据，不仅占用空间，还会降低扫描索引的时间。
4. parquet可以支持嵌套的数据结构，它使用了Dremel的 Striping/Assembly 算法来实现对嵌套型数据结构的打散和重构

四、Orc

Orc也是一个列式存储格式，产生自Apache Hive，用于降低Hadoop数据存储空间和加速Hive查询速度。

1. 和Parquet的设计类似，也是将行分成多个组，然后组内按列存储，之后再对列进行分割。orc 的 Stripe 对应parquet的 Row Group，row Group 对应的是 parquet的 page
2. ORC文件是自描述的，它的元数据使用Protocol Buffers序列化
3. 除了基本类型以外，还支持更复杂的数据结构，如LIST、STRUCT、MAP和UNION类型。

五、同为列式存储, orc和parquet的区别

列式存储的优化点

目前列式存储是大数据领域基本的优化项，无论是存储还是查询，列式存储能做的优化都很多，看完上面对orc和parquet的文件结构介绍后，我们列式存储的优化点做一个总结：

在压缩方面：

1. 由于每一列的数据类型都是一样的，因此可以针对每一列的数据类型使用更高效的压缩算法。比如存储时间戳时，我们可以以时间戳偏移大小来存储，减少存储容量

在查询方面：

1. 在查询时只要扫描需要查询的列数据，不用进行全表扫描。
2. 由于Column chunk、page都记录了一些统计信息，就可以很方便的根据column的条件直接过滤一些row group、column chunk、或者page不扫描。举个例子，比如已知Row Group的age字段的最小值是10，那么要查询age < 10的数据时就没必要扫描该group了

orc和parquet的一些区别和对比

1. 由于设计理念类似，他们的文件格式有很多互通的地方。但是parquet的索引和元数据全部放在footer块，而orc则是分散在各个stripe中。目前也不能说哪种设计更好，只能看实际场景了
2. 列编码的实现算法不同
3. 选择的压缩算法不同

就网上找到的一些数据来看，Orc的压缩比会比Parquet的高一些，至于查询性能，两个应该不会差距太大。本人之前做过一个测试，在多数场景，hive on mr下，orc的查询性能会更好一些。换成hive on spark后，parquet的性能更好一些

六、一些总结

本文介绍的4种大数据存储格式，2个是行式存储，2个是列式存储，但我们可以看到一个共同点：它们都是支持分割的。这是大数据文件结构体系中一个非常重要的特点，因为可分割使一个文件可以被多个节点并发处理，提高数据的处理速度。

另外，当前大数据的主要趋势应该是使用列式存储，目前我们公司已经逐步推进列式存储的使用，本人也在hive上做过一些测试，在多个查询场景下，无论是orc还是parquet的查询速度都完爆text格式的，差不多有4-8倍的性能提升。另外，orc和parquet的压缩比都能达到10比1的程度。因此，无论从节约资源和查询性能考虑，在大多数情况下，选择orc或者parquet作为文件存储格式是更好的选择。另外，spark sql的默认读写格式也是parquet。

当然，并不是说列式存储已经一统天下了，大多时候我们还是要根据自己的使用场景来决定使用哪种存储格式。

查询资料附录

Sequencefile

https://blog.csdn.net/en_joker/article/details/79648861

https://stackoverflow.com/questions/11778681/advantages-of-sequence-file-over-hdfs-textfile

Avro和Sequencefile区别

https://stackoverflow.com/questions/24236803/difference-between-avrodata-file-and-sequence-file-with-respect-to-apache-sqoop

parquet

https://www.cnblogs.com/ITtangtang/p/7681019.html

Orc

https://www.cnblogs.com/ITtangtang/p/7677912.html

https://www.cnblogs.com/cxzdy/p/5910760.html

Orc和parquet的一些对比

https://blog.csdn.net/colorant/article/details/53699822

https://blog.csdn.net/yu616568/article/details/51188479