一篇文章彻底理解大数据的列式存储

大家好，我是明哥！

本片文章，跟大家一起探讨下，列式存储与数据质量的相关话题。

• 1. 什么是列式存储
• 2. 深入了解列式存储 - 以 Parquet 为例
• 3. 行式存储与列式存储的优劣势都有哪些
• 4. 列式存储与数据质量

1. 什么是列式存储

• 所谓行式存储，指存储结构化数据时，在底层的存储介质上，数据是以行的方式来组织的，即存储完一条记录的所有字段，再存储下一条数据的所以字段，以此类推；
  
• 所谓列式存储，指存储结构化数据时，在底层的存储介质上，数据时以列的方式来组织的，即存储完若干条记录的首个字段后，再存储这些记录的第二个字段，然后是这些记录的第三个字段，以此类推，当这些记录的所有字段存储完毕后，再按照这种方式，组织存储下一批若干条记录的所有字段；
  

比如需要存储以下记录：

则行存储格式，底层是这样组织的：（示意图）

而列存储格式，底层是这样组织的：（示意图）

说明：

• 以上只是示意图，实际存储时，往往还会存储一些元数据，比如校验信息，统计信息等等；（列式存储往往会存储更多的元数据信息，以便于检索/查询/统计等）
• 行存储与列存储，存储的都是结构化数据；（非结构化数据，就无所谓行和列了）
• 行存储和列存储，描述的是底层存储介质上，数据的组织形式，而存储介质可以是磁盘，也可以是内存；存储介质的上次建筑，可以是文件系统，也可以是对象存储；
• 很多数据库，在底层即支持行存储，也支持列存储，这两者有时是同时混合使用的；（比如 oracle12c，就引入了对 In-Memory Column Store 的支持；再比如 TiDB, 底层同时支持行存储引擎 TiKV 和 列存储引擎 TiFlash);

2. 深入了解列式存储 - 以 Parquet 为例

说到当下最流行的开源列式存储引擎，就非 apache parquet 莫属了。

• 绝大多数计算引擎，比如 apache spark/presto/impala/flink， 都将 parquet 作为首选的列示存储引擎;
• orc 是 apache hive 社区推出的，另一款开源列示存储引擎；
• apache hive 在早期只支持 orc 列示存储的基础上，有扩展了对 parquet 的支持；

有鉴于此，我们有必要以 parquet 为例，来深入了解下列示存储。

以下是 parquet 底层，数据的组织格式：

相关述语解释如下：

• Block (hdfs block): 指 hdfs 文件系统的 block，parquet 是在 hdfs 文件之上的数据组织格式；（当然现在很多对象存储系统，比如 S3，也支持 parquet 存储格式）；
  
• File: 指 hdfs 文件，使用 parquet 格式时，每个 hdfs 文件底层必须包括 parquet 元数据 - 事实上该文件底层可以不包含数据，但必须包含元数据；（当然现在很多对象存储系统，比如 S3，也支持 parquet 存储格式）；
  
• Row group: 文件底层的所有数据，在逻辑上被水平切割，每个 row group 存储的都是一份这些被水平切割后的数据。（row group 是对数据的水平切，分比如上图中，就显示了 row group 0 和 row group1 两个 row group）；
  
• Column chunk: 每个 row group 底层都包含一系列 column chunk，每个colum 都有一个对应的 column chunk；（数据有多少列，水平切割的每个 row group底层，就有多少个 column chunk）；
  
• Page: Column chunks 被进一步切分为若干个 page 页，page 是压缩和编码的最小单位；（比如上如，row group0 的 Column a，就显示了两个 page: page a 和 page b）;
  

概括如下：

• 每个文件由一个或多个 row group 构成，每个 row group 包含了多个 column chunk （column chunk 和 column 是 一一对应的），Column chunks 包含了一个或多个 page;
• MR 等计算作业，其并行操作的单位是 File/Row Group；
• IO 的单位是 Column chunk；
• 编码和压缩的单位是 Page；

3. 行式存储与列式存储的优劣势都有哪些

通过上述对底层数据组织格式的对比，不难发现，行存储有以下特点：

• 行存储将每条数据的所有列连续存储在一起，一条记录接着一条记录；
• 行存储中数据写入的成本较低，适合数据有频繁更新的场景；
• 通过使用索引，能大幅提高行存储的数据查询速度；
• 行存储是传统的数据组织形式，更适合传统的 OLTP 系统；（OLTP 数据库表的设计强调范式，底层一般有多张有关联关系的窄表）

而列存储有以下特点：

• 列存储将多行记录的列连续存储在一起，一列接着一列；
• 由于连续存储在一起的列的数据类型都一样，所以数据压缩率更高，更省存储空间；
• 列存储中数据查询的成本较低，特别适合分析时只查询部分列的场景，因为不需要扫描/读取不需要查询的列；
• 列存储由于数据更新成本较高，一般适合读多写少的场景；（但是不代表不能更新！）
• 列存储是新型数据组织形式，更适合 OLAP 分析型系统；（OLAP数据库表的设计强调反范式，底层一般是星型模式的若干张事实表和维度表，倾向使用大宽表）

4. 列式存储与数据质量

各厂各司在其数据仓库或数据湖泊的数据规范部分，大都强调要尽可能地使用列式存储格式，而尽可能不要使用行式存储格式。

究其原因，一方面是列式存储相比行式存储，其压缩率更高读写效率更快；另一方面是因为，相比行式存储，列式存储的数据质量更高！

之所以说列示存储能提高数据质量，更准确地说，是有些行式存储会降低数据质量，比如 csv/tsv 等 TextFile。

比如，以我们熟悉的 HIVE 为例，一个常见的 DDL 语句如下：

CREATE TABLE student_text_test(                       
   id double,                                     
   name string,                                   
   sex double,                                    
   age double,                                    
   class double,                                  
   address string)    
   ROW FORMAT DELIMITED FIELDS TERMINATED BY ',' LINES TERMINATED BY '\n'
 STORED AS TEXTFILE;

• 大家可以看到，TextFile 的 DDL 语句中，需要通过 xx terminated by xx 来指定列分隔符和行分隔符（列分隔符默认是'\001',行分隔符默认是'\n'）;
• 而上游rdbms表中某些字段，可能会包含特殊字符比如换行符，此时就可能会跟上述textfile 表的 DDL 语句中指定的列分隔符或分隔符冲突；
• 后续通过数据同步工具比如 sqoop/datax/spark sql 等同步上游数据到 hive中 textfile 格式的表时，同步作业可以执行成功；
• 但是后续再查询该同步的 textfile 格式的表时，因为大数据schema on read 的特性，在读数据时按就会按照 DDL 中指定的行和列分隔符来切割数据，此时就可能会因为行分隔符造成数据切割混乱，从而查出大量 NULL 字段的错乱数据；
• 不幸的是，上游 RDBMS 中的数据往往不受大数据部门管控，会出现各种各样的奇怪数据；
• 更不幸的是，目前hive的textfile只支持\n作为行分隔符(验证了cdh6.3,也就是hive2.1)

所以，正式出于数据质量的原因，各厂各司在其数据仓库或数据湖泊的数据规范部分，大都强调：

• 要尽可能地使用列式存储格式比如orc/parquet，而尽可能不要使用行式存储格式textfile；
• 数仓中各层，包括 ods/dwd/dws/ads ，以及业务临时表与技术临时表，都尽量不要使用textfile；
• 除非是选用的数据同步工具不支持orc/parquet(比如sqoop)，且此时也仅仅只能在 ods层的落地表中使用textfile, 后面 dws等各层需要切换使用列示存储 orc/parquet；
• 必要时，对数据同步工具重新进行技术选型，比如抛弃不支持列示存储的 sqoop, 而选用支持列示存储的 spark sql/datax 等。