Apache Parquet 干货分享
Parquet 是一种面向分析的、通用的列式存储格式,兼容各种数据处理框架比如 Spark、Hive、Impala 等,同时支持 Avro、Thrift、Protocol Buffers 等数据模型。
Parquet 作为 HDFS 存储格式的事实标准,经常用在离线数仓、OLAP 等场景。 本文整理于 最近的一次公司内训,主要分四个部分:
1、Parquet 简介
2、架构解析
3、基本操作
4、TPC-DS 基准测试介绍
Parquet 简介
第一部分内容介绍了此次 Parquet 分享的技术背景,行存与列存的区别,以及 Parquet 的特点。
为什么要进行这次 Parquet 讲解?
主要因为 Parquet 在一个项目中重度使用,开发人员对其原理、操作不是很清楚,项目上是使用 Parquet 做离线数仓,计算层使用 Spark SQL 进行离线分析 构建企业的标签系统, 结果数据落地到 Elasticsearch。
Parquet可以说是一个列式存储系统。关于行存与列存的区别可以简单用下图描述,列存在 IO 方面比行存有很大优势,能够减少扫描数据量。
Parquet 的特点概况的说主要体现在:
-
列裁剪与谓词下推:列裁剪,意思是只读取需要的列,实现高效的列扫描,减少 IO 操作; 谓词下推,可以过滤掉不符合条件的数据,只读取需要的数据,进一步减少 IO 操作。
-
更高效的压缩与编码:因为同一列的数据类型相同,所以可以针对不同列使用更合适的压缩与编码方式,降低磁盘存储空间。
另外,Parquet也是Spark SQL 的默认数据源,可通过参数spark.sql.sources.default 进行配置。
架构解析
1、技术架构
Parquet 是 Apache 的顶级项目,整体技术架构如下图
Parquet 主要包含以下 5 个主要模块:
-
parquet-format:定义了所有格式规范,以及由 Thrift 序列化的元数据信息等。
-
parquet-mr:包括多个实现了读写 Parquet 文件的功能模块,并且提供一些和其它组件适配的工具,例如Hadoop Input/Output Formats、Pig loaders 、Hive Serde 等。
-
parquet-cpp:用于读写 Parquet 文件的 C++ 库。
-
parquet-rs:用于读写 Parquet 文件的 Rust 库。
-
parquet-compatibility:包含验证不同语言之间读写 Parquet 文件的兼容性测试等。
2、数据模型
Parquet 是一种支持嵌套的数据模型,和 Protocol Buffers 的数据模型类似,它的 schema 就是一个嵌套 message。
每个 schema 包含多个字段, 每一个字段又可以包含多个字段,每一个字段有三个属性:repetition、type 和 name,其中 repetiton 可以是以下三种:required(出现1次),repeated(出现0次或多次),optional(出现0次或1次)。每一个字段的数据类型可以分成两种:group(复杂类型)和 primitive(基本类型)。一个如下的 Parquet Schema 示意图
如果用代码表示就是:
message AddressBook { required string owner; repeated string ownerPhoneNumbers; repeated group contacts { required string name; optional string phoneNumber; } }
3、文件格式
下面是 Parquet 官网给出的文件格式图解:
从如上文件结构可以看出,Parquet 格式可以从以下几个部分理解:
-
文件(File ): 一个 Parquet 文件,包括数据和元数据,如果在 HDFS 之上,数据就是分散存储在多个 HDFS Block 中。
-
行组(Row Group):数据在水平方向上按行拆分为多个单元,每个单元就是所谓的 Row Group,即行组。这是一般列式存储都会有的结构设计。每一个行组包含一定的行数,Parquet 读写的时候会将整个行组缓存在内存中,因此更大尺寸的行组将会占用更多的缓存,并且记录占用空间比较小的 Schema 可以在每一个行组中存储更多的行。
-
列块(Column Chunk):一个行组中的每一列对应的保存在一个列块中。行组中的所有列连续的存储在这个行组文件中,每一个列块中的值都是相同类型的,不同列块可能使用不同的算法进行压缩。
-
数据页(Data Page):每一个列块划分为多个数据页或者说页,一个页是最小的编码的单位,在同一个列块的不同页可能使用不同的编码方式。
Parquet 文件有三种类型的元数据,分别是file metadata、column(chunk) metadata、page header metadata,每部分元数据包含的信息从上面图解中大概可以得知。
此外,值得说明的是文件 header 部分中的 Magic Number,它的作用主要是为了做文件校验,验证文件是否是一个Parquet文件。
基本操作
1、通过 Hive 创建 Parquet 表
· 标准建表语句。举一个最简单的建表示例,如下:
create table t1 (id int) stored as parquet;
· 通过 TextFile 表创建 Parquet 表。这是离线数仓中的常规操作,假设已经准备好了一张 TextFile 表 catalog_sales,在 hive shell 命令行中演示如下操作:
-- 创建parquet表(不压缩) > drop table if exists catalog_sales_par; > create table catalog_sales_par stored as parquet as select * from catalog_sales; -- 设置parquet为snappy压缩 > set parquet.compression=SNAPPY; > create table catalog_sales_par_snappy stored as parquet as select * from catalog_sales; -- 设置parquet块大小 > set parquet.block.size=268435456; > create table catalog_sales_par_snappy2 stored as parquet as select * from catalog_sales;
2、查看 Parquet 文件 Schema
假如现在我们手上有一份 Parquet 文件,但是并没有人告知我们它对应的 schema 信息,这个时候怎么才能快速知道它的 schema 等信息呢?
其实 Parquet 原生提供了一个工具模块,这个工具可以很方便的查看本地或 HDFS 上的 Parquet 文件信息。不仅仅是 schema,还包括其他信息,按照下面使用方法中的帮助提示即可。
下载地址:
https://www.mvnjar.com/org.apache.parquet/parquet-tools/jar.html
使用方法:
#Run from Hadoop hadoop jar ./parquet-tools-.jar --help hadoop jar ./parquet-tools-.jar my_parquet_file.par #Run locally java jar ./parquet-tools-.jar --help java jar./parquet-tools-.jar my_parquet_file.par
实际测试: 下载 parquet-tools-1.8.0.jar 工具包,上传到集群节点并读取 HDFS 上的一个 Parquet 文件:
TPC-DS 基准测试介绍
TPC-DS 是标准的大数据基准测试,采用星型、雪花型等多维数据模式,提供与真实数据一致的数仓数据以及符合实际的工作负载。提供的数据集包含 24 张表,其中 7 张事实表,17 张维度表,平均每张表含有18列。事实表的表名分别是 catalog_returns、catalog_sales、inventory、promotion、store_returns、store_sales、web_returns、web_sales 。工作负载包含 99 个 SQL 查询,覆盖SQL99 和 2003 的核心部分以及 OLAP。
这里提前编译好了一版 TPC-DS 包,并使用它在本地生成 10 GB 的样本数据,命令如下:
$cd ~/training/tpcds/v2.3.0/tools $nohup ./dsdgen -scale 10 -dir ~/data_10g &
然后使用它提供的 Q20 简单测试一下 TextFile 与 Parquet 格式数据的查询性能。更多的性能测试这里不多描述了。
关注本微信公众号,并回复 parquet资料 获取本文相关工具包与PPT。