Apache parquet介绍

什么是parquet

parquet是为了数据的高性能存储和索取而生的列式数据存储格式，同时parquet提供了高效的数据压缩和编码方案来增强处理复杂数据块的性能。

Reference：

• what-is-parquet
• Apache Parquet

parquet特性

• 开源免费
• 无语言论数据格式
• 基于列的数据格式：节省空间且提高了分析查询的速度
• 高性能数据压缩和解压缩
• 支持复杂的数据类型和高级的嵌套数据类型

parquet带来的好处

• 存储任何类型的大数据（结构化数据、图片、视频、文档）
• 为不同数据类型的列提供高性能的数据压缩和灵活的编码方案
• 增加数据的吞吐量且提升了查询的性能（通过类似于数据跳跃的技术，使得查询过程不需要读取所有数据）

parquet使用record-shredding(记录粉碎)和assembly algorithm(组装算法)实现，并且包含了复杂的数据结构用来存储数据。Parquet 已针对批量处理复杂数据进行了优化，并具有用于高效数据压缩和编码类型的不同方式。这种方法最适合那些需要从大表中读取某些列的查询。Parquet 只能读取所需的列，因此大大减少了 IO。

列格式的数据存储优势

• 相比于行式存储结构，列式存储在聚合查询上面花费更少的时间，这种存储方式已转化为节省硬件并最大限度地减少访问数据的延迟。
• parquet由分组(group)组成，所以其支持高级嵌套数据结构，Parquet 数据文件的布局针对处理大量数据的查询进行了优化，每个文件的数据量在千兆字节范围内。
• parquet提供了灵活的压缩选项和高效的编码方式，由于每列的数据类型非常相似，因此每列的压缩很简单（这种方式甚至会使查询更快），其次，不同的数据也可以使用不同的压缩方式。
• parquet最适用于交互式和无服务技术。

parquet和csv之间区别的比较

csv是大家再熟悉不过的存储数据的格式了。

Parquet 已帮助其用户将大型数据集的存储需求减少了至少三分之一，此外，其大大提高了数据的浏览和反序列化时间，从而降低了总成本。
下表展示了将数据由csv转成parquet所节省的花销：

Dataset	Size on Amazon S3	Query Run Time	Data Scanned	Cost
Data stored as CSV files	1 TB	236 seconds	1.15 TB	$5.75
Data stored in Apache Parquet Format	130 GB	6.78 seconds	2.51 GB	$0.01
Savings	87% less when using Parquet	34x faster	99% less data scanned	99.7% savings