快捷導(dǎo)航

Apache?Arrow?Parquet存儲與使用

更新時間：2023年08月30日 09:14:55 作者：龔正陽

這篇文章主要為大家介紹了Apache?Arrow?Parquet存儲與使用原理詳解,有需要的朋友可以借鑒參考下,希望能夠有所幫助,祝大家多多進步,早日升職加薪

簡介

Parquet是一種高效的列式存儲格式，廣泛用于大數(shù)據(jù)系統(tǒng)中的數(shù)據(jù)倉庫和數(shù)據(jù)管理工具中，旨在提高數(shù)據(jù)分析的性能和效率，能夠更好地支持數(shù)據(jù)壓縮和列式查詢，同時兼顧讀寫速度和數(shù)據(jù)大小

初衷

為了讓 Hadoop 生態(tài)系統(tǒng)中的任何項目都能利用壓縮、高效的列式數(shù)據(jù)表示的優(yōu)勢

技術(shù)與原理

基于列存儲和壓縮技術(shù)，每一列的數(shù)據(jù)通過一系列壓縮算法進行壓縮，然后存儲到文件系統(tǒng)中，這種方式能夠避免存儲冗余數(shù)據(jù)，并且能夠使查詢只涉及到所需的列，從而大大提高查詢效率

相關(guān)術(shù)語

Block（hdfs Block）：hdfs中的數(shù)據(jù)塊
File：hdfs 文件，包含文件的元數(shù)據(jù)，不需要包含實際的數(shù)據(jù)
Row group/行組：將數(shù)據(jù)水平劃分為Row group
Column chunk：特定列的數(shù)據(jù)塊，它們位于特定的行組中，并保證在文件中是連續(xù)的
Page：列塊被分為頁，頁面在概念上是一個不可分割的單元（就壓縮和編碼而言），列塊中可以有多種交錯的頁面類型，Page為了讓數(shù)據(jù)讀取的粒度足夠小，便于單條數(shù)據(jù)或小批量數(shù)據(jù)的查詢

從層次結(jié)構(gòu)上看，文件由一個或多個行組組成，行組的每列恰好包含一個列塊，列塊包含一頁或多頁

結(jié)構(gòu)圖如下

文件格式如下

4-byte magic number "PAR1"
<Column 1 Chunk 1 + Column Metadata>
<Column 2 Chunk 1 + Column Metadata>
...
<Column N Chunk 1 + Column Metadata>
<Column 1 Chunk 2 + Column Metadata>
<Column 2 Chunk 2 + Column Metadata>
...
<Column N Chunk 2 + Column Metadata>
...
<Column 1 Chunk M + Column Metadata>
<Column 2 Chunk M + Column Metadata>
...
<Column N Chunk M + Column Metadata>
File Metadata
4-byte length in bytes of file metadata
4-byte magic number "PAR1"

Header

Header的內(nèi)容很少，只有4個字節(jié)，本質(zhì)是一個magic number，用來指示文件類型

PAR1：普通的Parquet文件

PARE: 加密過的Parquet文件

File Body

實際存儲數(shù)據(jù)，包含Column Chunk和Column Metadata

Footer

包含了諸如schema，Block的offset和size，Column Chunk的offset和size等所有重要的元數(shù)據(jù)
承擔(dān)了整個文件入口的職責(zé)，讀取Parquet文件的第一步就是讀取Footer信息，轉(zhuǎn)換成元數(shù)據(jù)之后，再根據(jù)這些元數(shù)據(jù)跳轉(zhuǎn)到對應(yīng)的block和column，讀取真正所要的數(shù)據(jù)

Index

Index是Parquet文件的索引塊，主要為了支持謂詞下推（Predicate Pushdown）功能

謂詞下推是一種優(yōu)化查詢性能的技術(shù)，簡單地來說就是把查詢條件發(fā)給存儲層，讓存儲層可以做初步的過濾，把肯定不滿足查詢條件的數(shù)據(jù)排除掉，從而減少數(shù)據(jù)的讀取和傳輸量

Parquet索引類型

Max-Min: Max-Min索引是對每個Page都記錄它所含數(shù)據(jù)的最大值和最小值，這樣某個Page是否不滿足查詢條件就可以通過這個Page的max和min值來判斷
BloomFilter索引: 針對value比較稀疏，max-min范圍比較大的列，用Max-Min索引的效果就不太好，BloomFilter可以克服這一點，同時也可以用于單條數(shù)據(jù)的查詢

rust讀寫Parquet文件

依賴項目

https://github.com/apache/arrow-r

修改Cargo.toml如下

[dependencies]
parquet = "46.0.0"
parquet_derive = "46.0.0"

修改main.rs

use std::convert::TryFrom;
use std::{fs, path::Path};
use parquet::file::reader::SerializedFileReader;
use parquet::file::writer::SerializedFileWriter;
use parquet::record::RecordWriter;
use parquet_derive::ParquetRecordWriter;
const PARQUET_FILEPATH: &str = "./target/sample.parquet";
#[derive(ParquetRecordWriter)]
struct ACompleteRecord<'a> {
    pub a_bool: bool,
    pub a_str: &'a str,
}
fn write() {
    let path = Path::new(PARQUET_FILEPATH);
    let file = fs::File::create(path).unwrap();
    let samples = vec![
        ACompleteRecord {
            a_bool: true,
            a_str: "I'm true",
        },
        ACompleteRecord {
            a_bool: false,
            a_str: "I'm false",
        },
    ];
    let schema = samples.as_slice().schema().unwrap();
    let mut writer = SerializedFileWriter::new(file, schema, Default::default()).unwrap();
    let mut row_group = writer.next_row_group().unwrap();
    samples
        .as_slice()
        .write_to_row_group(&mut row_group)
        .unwrap();
    row_group.close().unwrap();
    writer.close().unwrap();
}
fn read() {
    let rows = [PARQUET_FILEPATH]
        .iter()
        .map(|p| SerializedFileReader::try_from(*p).unwrap())
        .flat_map(|r| r.into_iter());
    for row in rows {
        println!("{}", row.unwrap());
    }
}
fn main() {
    write();
    read();
}

運行

$ cargo run   
   Compiling temp v0.1.0 (/home/gong/rust-work/temp)
    Finished dev [unoptimized + debuginfo] target(s) in 2.26s
     Running `target/debug/temp`
{a_bool: true, a_str: "I'm true"}
{a_bool: false, a_str: "I'm false"}

查看parquet文件

$ cat target/sample.parquet
PAR1,X%a_bool44<X22I'm true     I'm false,I'm true      I'm false
                                                                 5a_str??&?&?I'm true   I'm false       I'm falsI'm tru4?V<H
     rust_schema%a_bool
                       %a_str%L,&<%a_bool44<X??"&?
                                                  5a_str??&?&?I'm true  I'm false??@??(parquet-rs version 46.0.0?PAR1%

閱讀參考

Apache parquet document

詳解Parquet文件格式原理

以上就是Apache Arrow Parquet存儲與使用的詳細內(nèi)容，更多關(guān)于Apache Arrow Parquet存儲的資料請關(guān)注腳本之家其它相關(guān)文章！

您可能感興趣的文章: