大数据列式存储
背景
随着大数据 Hadoop/Spark 生态的不断发展和成熟，TextFile、CSV这些文本格式存储效率低，查询速度慢，往往不能很好地满足大数据系统中存储和查询的需求，列式存储也在大数据社区逐渐兴起到成熟。目前，使用比较广泛的列式存储主要是 Apache Parquet 和 Apache ORC，Parquet 由谷歌的 Dremel 发展而来，由Twitter 贡献给社区，ORC 则是由 Hive 的 RC File 发展而来，从Hive项目中独立出来，二者目前都是比较活跃的列式存储项目。
什么是列式存储
传统的数据编码方式是以行为单位进行，列式存储则是将数据划分成数据块，每个数据块内部按列的方式进行编码存储，通过使用列式存储会有以下好处：
- 存储效率更高，因为同一列的数据类型一致，编码效率也会更高
- 查询效率更高，利用列式存储的统计信息，可以跳过大量的数据，减少IO压力
Parquet 和 ORC的基本对比
Parquet 和 ORC的编码效率对比
什么是编码
列式存储在存储数据时，为了提高压缩效率，会进行一些编码操作，如图所示。
常见的编码方式
- Run-length encoding(RLE)
- Dictionary
- Bitpacking
- Zigzag for signed
Parquet 和 ORC编码对比
使用TPC数据集的测试结果
分别使用相同的 TPC 数据集进行测试，从压缩效率上讲，数据库大小越小，压缩效率越好。这里 ORC 使用 Zlib 压缩, Parquet 使用 Gzip 压缩。
- TPC-BB and TPC-DS Decimal 版本下，ORC 比 Parquet 占用空间节省大约 10%；
- TPC-DS Double版本下，Parquet 的使用的空间节省 2% 左右。
TPC-DS(Decimal Version): https://github.com/cloudera/impala-tpcds-kit
TPC-DS(Double Version): https://github.com/hortonworks/hive-testbench
TPCx-BB: http://www.tpc.org/tpcx-bb/
附：Parquet 和 ORC Encoding的实现细节对比
Parquet 的Integer编码实现
Parquet 的 Integer的是通过字典的编码方式存储的，为了防止字典过大，超过字典上限后，则通过其他方式存储。
| 版本 |
默认存储 |
补充存储 |
| PARQUET_V1 |
字典 |
PLAIN |
| PARQUET_V2 |
字典 |
DeltaBinaryPacking |
PARQUET_V1 和 PARQUET_V2 是 Parquet 内部使用的版本，可以通过相应的参数进行选择。
Parquet 字典的实现
在实际存储时，数据库会有大量重复的值，这时字典的效率还是不错的，不够，目前的 Parquet实现还有两个问题
- 字典是明文存储，没有编码，浪费存储空间；
- 字典编号是使用RLE编码，但是编码效率还有提升空间。
Parquet 的 DeltaBinaryPacking
Parquet 的 DeltaBinaryPacking 的实现参考了以下博客，具体的格式如图。
http://lemire.me/blog/archives/2012/09/12/fast-integer-compression-decoding-billions-of-integers-per-second/
ORC 的 Integer 编码实现
ORC Integer 在 0.11 及之前的版本
HIVE在 0.11 及之前的版本的实现比较简单，只覆盖了重复值优化的场景，具体格式如图
原始值： 6,6,6,6,6,6,13,17
编码后： 3,0,6,-2,13,17
ORC Integer 在 0.12的版本
HIVE在 0.12之后做了比较好的优化，可以覆盖常见的四种场景，效果也会比较好
-
SHORT_REPEAT : Short repeated integer sequences.
-
DELTA : Monotonically increasing or decreasing sequences, sequences with fixed delta values or long
- sequences.
-
DIRECT : Random integer sequences whose number of bit requirement doesn't vary a lot
-
PATCHED_BASE : Random integer sequences whose number of bit requirement varies beyond a
threshold.
原创文章，如需转载，请先联系作者 dapeng.sdp#alibaba-inc.com
欢迎加入Apache Spark中国技术社区参与更多直播、讨论
