背景
本文基于Spark 3.3.0
列式存储Parquet文件越来越受到工业界的青睐,在delta以及Spark中应用广泛,具体的项目见:parquet-mr
分析
Parquet格式
关于parquet的格式存储以及读取,可以参考大数据列存标准格式 - Parquet,总结一下就是:
Parquet采用类似Protobuf的协议来描述数据的Schema,字段的描述有三种(逻辑上):
required 有且仅有一次 optional 0或1次 repeated 0次或多次
具体到物理存储,就得有Repetition Level(对应repeated),Definition Level(对应optional) ,required是不需要的,因为字段存在就有,不存在就没有。
其实这种很好理解,因为在Dremel/Parquet中,提出的是以树状形式来组织schema中的字段,举例子:
message AddressBook { required string owner; repeated string phoneNumber; repeated group contacts { required string name; optional string phoneNumber; } }
对应到树形结构为:
AddressBook / | \ V V V owner phoneNumber contacts / \ V V name phoneNumber
这样用Repetition Level 和Definition Level来表示数据位于哪一层级就能精确定位一个数据。
Parquet嵌套类型向量化
根据以上的Parquet的格式存储,在读取的Parquet文件的时候,对于非向量化的读取,是一行一行的读取,支持所有类型,对于向量化的读取在Spark 3.3.0以前是不支持嵌套类型(如 struct map list)的。
具体行读取如下(具体到page级别):
向量化的读取如下:
可以看到是按照批次读取的。
注意:按照schema的定义,有些数据有可能是不存在的,所以对于同一列对应的Repetition Level 和Definition Level也有可能是不一样的。
性能也是有很大的提升:
Parquet的列索引
在Parquet 1.11.0之前,Parquet是不支持列索引的,具体见PARQUET-1201。
在Spark 3.2.0 便支持了paruqet的列索引的读取,具体见:SPARK-26345
在spark 3.2.0 之前Parquet的谓词下推是基于Row group的统计信息来的,如:最大最小值,字典信息,以及Parquet-1.12的Bloom filter,
在Spark 3.2.0 之后,我们可以基于page级别的数据过滤(只选择需要的page),这样能大大减少IO,因为在page级别过滤的话,不需要每次都会获取整个Row group的数据。
具体的实现逻辑如下:
之前的读取是把对应Row group的数据全部读取过来,之后再进行过滤。